Question

我在Python中遇到以下问题需要解决：

给定两个坐标矩阵（NumPy ndarrays）A和B，在a中找到A中所有坐标向量b的{{1}} { {1}}，使欧几里德距离B最小化。坐标矩阵||a-b||和A可以有不同数量的坐标向量（即不同的行数）。

此方法应返回坐标向量B矩阵，其中C中的第i个向量c是来自C的向量，它使用欧洲坐标最小化欧几里德距离B中的向量a。

例如，假设

A和A = np.array([[1,1], [3,4]])

B = np.array([[1,2], [3,6], [8,1]])中的向量[1,1]与A中的向量之间的欧几里德距离为：

因此1, 5.385165, 7中的第一个向量为C

类似地，[1,2]中的向量[3,4]和A中的向量的距离为：

因此2.828427, 2, 5.830952中的第二个和最后一个向量为C

所以[3,6]

如何在Python中高效编码？

Answer 1

您可以使用scipy.spatial.distance中的cdist来有效获取欧几里德距离，然后使用np.argmin获取与最小值对应的索引，并使用这些索引编入B为了最终的输出。这是实施 -

import numpy as np
from scipy.spatial.distance import cdist

C = B[np.argmin(cdist(A,B),1)]

示例运行 -

In [99]: A
Out[99]: 
array([[1, 1],
       [3, 4]])

In [100]: B
Out[100]: 
array([[1, 2],
       [3, 6],
       [8, 1]])

In [101]: B[np.argmin(cdist(A,B),1)]
Out[101]: 
array([[1, 2],
       [3, 6]])

如何在两个坐标矩阵之间找到最接近的对应矢量？

1 个答案: