Python 快速计算两个三维点阵列之间最小距离的方法

我想知道是否有一种快速的方法来计算三维numpy阵列的所有点（

a[N，3]

）到第二个三维numpy阵列的所有点（

B[M，3]

）之间的欧几里德距离

然后，我应该得到一个数组

C

，它将是

[N，M]

，具有从数组

A

点到数组

B

点的所有距离，然后沿指定轴使用

np.min（）

来获得从集合

A

点到集合

B

点的所有最小距离

到目前为止，我就是这样实施的：

distances = np.repeat(9999, len(A))
for i, point in enumerate(A):
  min_distance = np.min(np.sqrt(np.sum(np.square(point - B), axis=1)))
  distances[i] = min_distance

有没有办法摆脱for循环

---

提前感谢：）

如果scipy方法不起作用，或者您确实有其他原因，这里有一个简单的方法-

将numpy导入为np
x=np.random.random（（200，3））
y=np.随机.随机（（100,3））
x=x.重塑（-1,1,3））#[200x1x3]
y=np.展开尺寸（y，轴=0）#[1x100x3]
y=y.重复（x.形状[0]，轴=0）#[200x100x3]
距离=np.linalg.norm（y-x，轴=2）#差值为[200x100x3]，norm结果为[200x100]

来自scipy.spatical import distance\u矩阵；dist_mat=distance_matrix（A，B）

。虽然这段代码可以回答这个问题，但最好包含一些上下文，解释它是如何工作的以及何时使用它。从长远来看，只使用代码的答案是没有用的。

import numpy as np

# arrays with xyz coordinates of all points 
a = np.asarray([[xa1,ya1,za1],...,[xan,yan,zan]])
b = np.asarray([[xb1,yb1,zb1],...,[xbn,ybn,zbn]])

# reshaping to be able to calculate the distance matrix
a_reshaped = a.reshape(a.shape[0], 1, 3)
b_reshaped = b.reshape(1, b.shape[0], 3)

"""calculation of all distances between all points  - creates a 
len(a) x len(b) matrix""" 
distance = np.sqrt(np.sum((a_reshaped - b_reshaped)**2, axis=2))