如何找到两个坐标矩阵之间最接近的对应向量？

Question

我在Python中有以下问题需要解决：

给定两个坐标矩阵 (NumPy ndarrays) A 和 B，找到 A 中所有坐标向量 a 对应的坐标向量 b在 B 中，使得欧氏距离 ||a-b|| 最小化。坐标矩阵A和B可以有不同数量的坐标向量（即不同的行数）。

此方法应该 return 一个坐标向量矩阵 C，其中 C 中的第 i 个向量 c 是来自 B 的向量，它最小化了A.

中第i个坐标向量a的欧氏距离

例如，假设

A = np.array([[1,1], [3,4]]) 和 B = np.array([[1,2], [3,6], [8,1]])

A 中的向量 [1,1] 与 B 中的向量之间的欧氏距离为：

1, 5.385165, 7

所以 C 中的第一个向量将是 [1,2]

同样，A 中的向量 [3,4] 和 B 中的向量的距离为：

2.828427, 2, 5.830952

所以 C 中的第二个也是最后一个向量将是 [3,6]

所以C = [[1,2], [3,6]]

如何在 Python 中高效地编码？

Answer 1

您可以使用 scipy.spatial.distance to efficiently get the euclidean distances and then use np.argmin 中的 cdist 获取对应于最小值的索引，并使用这些索引索引到 B 以获得最终输出。这是实现 -

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

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

样本运行-

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]])

如何找到两个坐标矩阵之间最接近的对应向量？

How to find the closest corresponding vectors between two coordinate matrices?

python

numpy

vector

euclidean-distance