Python 快速查找字典向量到给定向量。高维

我在寻找一个可缩放的答案，但出于我的特殊目的，我有一个48维向量。这可以表示为48个整数的数组，所有整数都在0到255之间

我有一本关于这些向量的大字典，大约有25000个

我需要能够获取数据库中可能存在或不存在的向量，并快速找到数据库中最接近的向量。我所说的最近距离，是指传统的距离公式

我的代码将以python结束，但这是一个更一般的问题

---

蛮力太慢了。我需要一个接近字典速度的查找。有人有想法吗？

我建议实现一个可以执行的。k维中N个点的最坏情况搜索时间是

O（k.N^（1-1/k））

，因此它应该以N次线性扩展

如果我有时间，我会回到这个答案，并提供一个不那么简洁的解释，维基百科的

---

由于您使用的是python，因此此Scipy cookbook条目应该会有所帮助。

另一种证明有用的技术是位置敏感哈希：

---

你的问题不清楚你是否需要精确的近邻。如果您对返回近似最近邻的向量感到满意，则有更快的解决方案。请参见此处（）

非常简洁，但至少指针似乎准确无误！谢谢你这么说。我做了很多研究，虽然kdtrees很酷，我学到了很多，但下面提到的LSH方法似乎是最适用的解决方案，因为我的问题的高维性。到目前为止，LSH似乎最适合我。这是一个巨大的资源。2006年关于该算法的论文是最有帮助的。