Python 在矩阵中查找最接近/相似的值（向量）

假设我有以下numpy矩阵（简化）：

现在我想从最接近“搜索”向量的矩阵中得到向量：

我所做的工作如下：

min_dist = None
result_vec = None
for ref_vec in matrix:
    distance = np.linalg.norm(search_vec-ref_vec)
    distance = abs(distance)
    print(ref_vec, distance)
    if min_dist == None or min_dist > distance:
        min_dist = distance
        result_vec = ref_vec

结果是可行的，但是是否有一个本地的numpy解决方案可以更有效地实现这一点？ 我的问题是，矩阵越大，整个过程就越慢。 是否有其他解决方案可以更优雅、更有效地处理这些问题？

方法#1

我们可以使用，这是非常有效的内存和性能-

In [276]: from scipy.spatial import cKDTree

In [277]: matrix[cKDTree(matrix).query(search_vec, k=1)[1]]
Out[277]: array([2, 2])

方法#2

与-

方法#3

与-

方法#4

与-

方法#5

从软件包（免责声明：我是它的作者）和下面的，我们可以利用

矩阵乘法

-

M = matrix.dot(search_vec)
d = np.einsum('ij,ij->i',matrix,matrix) + np.inner(search_vec,search_vec) -2*M
closest_vec = matrix[d.argmin()]

---

很好，谢谢。我会试试看。在这种情况下，scipy也可以使用3d向量吗？嘿@Divakar，如果我写一个规范的重复问题，你能帮我回答吗？@DanielF当然！我们可能会在上面有一个维基问答帖子。看起来学校又开始上课了。“我们可能需要一个伪造的副本，@Daniel F请随意编辑我的帖子，这样有助于防止重复。”。我又问了同样的问题。在发布这个新问题之前，我找不到它。

In [276]: from scipy.spatial import cKDTree

In [277]: matrix[cKDTree(matrix).query(search_vec, k=1)[1]]
Out[277]: array([2, 2])

In [286]: from scipy.spatial.distance import cdist

In [287]: matrix[cdist(matrix, np.atleast_2d(search_vec)).argmin()]
Out[287]: array([2, 2])

from sklearn.neighbors import NearestNeighbors

nbrs = NearestNeighbors(n_neighbors=1).fit(matrix)
closest_vec = matrix[nbrs.kneighbors(np.atleast_2d(search_vec))[1][0,0]]

from sklearn.neighbors import KDTree
kdt = KDTree(matrix, metric='euclidean')
cv = matrix[kdt.query(np.atleast_2d(search_vec), k=1, return_distance=False)[0,0]]

M = matrix.dot(search_vec)
d = np.einsum('ij,ij->i',matrix,matrix) + np.inner(search_vec,search_vec) -2*M
closest_vec = matrix[d.argmin()]