Question

我有两个由两个不同系统生成的数组，它们彼此独立。我想通过比较数组生成的几个数字来比较它们的相似之处。

现在，我只是比较数组的最小值，最大值和总和，但我想知道那里是否有更好的算法？任何类型的散列算法都需要对数组之间的小浮点差异不敏感。

编辑：我要做的是验证两个算法生成相同的数据，而不必直接比较数据。因此，算法应该对数据的变化敏感，并且对每个元素之间的微小差异相对不敏感。

Answer 1

我不会尝试将其减少到一个数字;只需传递tuple个值，然后编写一个比较元组的close_enough函数。

例如，您可以使用(mean, stdev)作为您的值，然后将close_enough定义为“每个数组的平均值在另一个数组的平均值的0.25 stdev范围内”。

def mean_stdev(a):
    return mean(a), stdev(a)

def close_enough(mean_stdev_a, mean_stdev_b):
    mean_a, stdev_a = mean_stdev_a
    mean_b, stdev_b = mean_stdev_b
    diff = abs(mean_a - mean_b)
    return (diff < 0.25 * stdev_a and diff < 0.25 * stdev_b)

显然，正确的值是您希望根据您的用例进行调整的内容。也许你真的想要基于它，例如，方差（stdev的平方），方差和偏斜，或stdev和sqrt（偏斜），或者除算术平均之外的一些完全不同的标准化。这一切都取决于你的数字代表什么，以及“足够接近”意味着什么。

在不了解您的应用领域的情况下，很难提供更具体的内容。例如，如果您要比较音频指纹（或DNA指纹或指纹指纹），您需要的东西与您比较JPEG压缩的风景图像有很大不同。

在评论中，您说您希望对值的顺序敏感。为了解决这个问题，您可以生成一些关于序列“无序”的度量。例如：

diffs = [elem[0] - elem[1] for elem in zip(seq, sorted(seq))]

这为您提供了每个元素与排序位置中元素之间的区别。您可以构建一个类似于stdev的度量（每个值的平方，平均值，sqrt），或者取平均绝对差值等。

或者您可以比较实际索引与“正确”索引的距离。或者基于均值和stdev，该值与其索引处的预期值相差多远。或者......有无数的可能性。同样，哪个适当取决于您的应用领域。

Answer 2

完全取决于您对“比较它们的相似性”的定义。

您想要比较哪些功能？ 您可以识别哪些功能？是他们可识别的模式？即在这一组中，有6个关键点，有2个不连续点......等等......

你已经提到过比较最小值/最大值/总和;并且在评论中也谈到了手段和标准偏差。这些都是该集的所有功能。

最终，您应该能够获取所有这些功能并创建一个n维描述符。例如[min，max，mean，std等...]

然后，您可以比较这些n维描述符，以定义一个是否比另一个“更少”，“相等”或“更多”。如果你想将其他集合分类为是否更像“set A”或更像“set B”，你可以查看分类器。

见：

Classifying High-Dimensional Patterns Using a Fuzzy Logic

Support Vector Machines

快速/简单的阵列比较算法，无需共享数据

2 个答案: