Python-计算两个点列表（坐标）的最小欧几里德距离

我有两个n形列表，每个点将与第二个列表的每个点进行比较（欧氏距离），然后选择最小距离，例如：

答：[（1,1）、（2,1）、（3,1）]

B:[（2,2）、（3,3）]

输出将为3个距离：

最小值（（1,1）->（2,2）， （1,1）->（3,3））

最小值（（2,1）->（2,2）， （2,1）->（3,3））

最小值（（3,1）->（2,2）， （3,1）->（3,3））

->欧几里德距离

---

困难的部分是制作一个高效的代码。

以下是一个示例代码，可能会有所帮助：

from scipy.spatial import distance

A = [(1,1),(2,1),(3,1)]
B = [(2,2),(3,3)]

min_dist = []
for a in A:
    dist = []
    for b in B:
        dist.append(distance.euclidean(a,b))
    min_dist.append(min(dist))

>> min_dist
>> [1.4142135623730951, 1.0, 1.4142135623730951]

我正在为此使用

scipy

库。也可以使用

numpy.linalg.norm

。这种方法对你有用吗

---

嗯。

我找到了一种方法，我不知道是否有人能让它更有效

import numpy as np
from scipy.spatial import distance

s1 = np.array([(0,0), (0,1), (1,0), (1,1)])
s2 = np.array([(3,2), (1,9)])
print(distance.cdist(s1,s2).min(axis=1))
# array([3.60555128, 3.16227766, 2.82842712, 2.23606798]) 

---

这取决于你所说的“有效”是什么意思。如果你有一个相当大的列表，并且你要做很多比较，你应该只寻找最小平方距离，它的计算速度要快得多，因为你避免了平方根运算。这是处理欧几里德距离时的标准技巧

如果最终需要实际的欧几里德距离，则取平方根

考虑：

import numpy as np

A = [(1, 1), (2, 1), (3, 1)]
B = [(2, 2), (3, 3)]

# compare each point in A to all points in B, return the shortest distance

for pt in A:
    min_sq_dist = min( (pt[0] - t[0])**2 + (pt[1] - t[1])**2 for t in B )
    print(np.sqrt(min_sq_dist))

输出：

1.4142135623730951
1.0
1.4142135623730951

最大的区别是什么？上面的代码计算3个平方根。朴素的方法计算6（B）倍）