Python 如何使用numpy数组查找具有最小MSE的值？

我可能的价值观是：

0: [0 0 0 0]
1: [1 0 0 0]
2: [1 1 0 0]
3: [1 1 1 0]
4: [1 1 1 1]

我有一些价值观：

[[0.9539342  0.84090066 0.46451256 0.09715253],
 [0.9923432  0.01231235 0.19491441 0.09715253]
 ....

我想找出哪些可能的值与我的新值最接近。理想情况下，我希望避免对循环执行

，并想知道是否有某种向量化的方法来搜索最小均方误差

我希望它返回一个数组，如下所示：
[2，1….
假设您的输入数据是一个字典。然后可以使用NumPy作为矢量化解决方案。首先将输入列表转换为NumPy数组，并使用
axis=1
参数来获取RMSE

# Input data
dicts = {0: [0, 0, 0, 0], 1: [1, 0, 0, 0], 2: [1, 1, 0, 0], 3: [1, 1, 1, 0],4: [1, 1, 1, 1]}
new_value = np.array([0.9539342, 0.84090066, 0.46451256, 0.09715253])

# Convert values to array
values = np.array(list(dicts.values()))

# Compute the RMSE and get the index for the least RMSE 
rmse = np.mean((values-new_value)**2, axis=1)**0.5
index = np.argmin(rmse)    

print ("The closest value is %s" %(values[index]))
# The closest value is [1 1 0 0]

纯努比：

val1 = np.array ([
   [0, 0, 0, 0],
   [1, 0, 0, 0],
   [1, 1, 0, 0],
   [1, 1, 1, 0],
   [1, 1, 1, 1]
  ])

print val1
val2 = np.array ([0.9539342, 0.84090066, 0.46451256, 0.09715253], float)
val3 = np.round(val2, 0)
print val3

print np.where((val1 == val3).all(axis=1)) # show a match on row 2 (array([2]),)

您可以使用
np.argmin
获取rmse值的最低索引，该值可以使用
np.linalg.norm

import numpy as np
a = np.array([[0, 0, 0, 0], [1, 0, 0, 0], [1, 1, 0, 0],[1, 1, 1, 0], [1, 1, 1, 1]])
b = np.array([0.9539342, 0.84090066, 0.46451256, 0.09715253])
np.argmin(np.linalg.norm(a-b, axis=1))
#outputs 2 which corresponds to the value [1, 1, 0, 0]

正如编辑中提到的，b可以有多行。op想要避免for循环，但我似乎找不到避免for循环的方法。下面是一个列表comp方法，但可能有更好的方法

[np.argmin(np.linalg.norm(a-i, axis=1)) for i in b] 
#Outputs [2, 1]

这个可能值的格式是什么？它看起来像一个字典，所以实际上没有严格的格式，但是是的，如果需要，我们可以把它变成一个
dict
，如果我的预测值循环到dict中没有的值，那么它就不起作用了。具体来说，我需要它来处理许多
新值e> sI特别为问题添加了一些更详细的内容，我需要它来处理许多
新值
linalg.norm是否计算MSE？如果您想找到argmin，它会计算rmse，它本质上是MSE。