Python 如何在两个坐标矩阵之间找到最接近的对应向量？

我需要解决Python中的以下问题：

给定两个坐标矩阵（NumPy ndarrays）

A

和

B

，在

A

中找到所有坐标向量

A

，在

B

中找到相应的坐标向量

B

，从而使欧几里德距离

|A-B |

最小化。坐标矩阵

A

和

B

可以具有不同数量的坐标向量（即，不同数量的行）

此方法应返回坐标向量

C

矩阵，其中

C

中的第i个向量

C

是

B

中的向量，该向量与

a

中的第i个坐标向量

a

的欧氏距离最小

比如说

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

中的第一个向量是

[1,2]

类似地，

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是

[3,6]

所以

C=[[1,2]，[3,6]]

---

如何在Python中高效地对其进行编码？

您可以使用

cdist

from来高效地获得欧几里德距离，然后使用来获得对应于最小值的索引，并使用这些索引将其索引到

B

中，以获得最终输出。下面是实现-

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]])

太好了，谢谢！=）我在做大量的计算，所以效率在我的问题中很重要：）