Python 按到参考点的距离对多个D点的数组进行排序

我有一个参考点

p_ref

存储在一个形状为（1024，）的numpy数组中，类似于：

print(p_ref)
>>> array([ p1,  p2,  p3, ..., p_n])

我还有一个numpy数组

a_points

，形状为（10245000），包含5000个点，每个点有1024个维度，如

p_ref

。我的问题：我想按点到

p\u ref

的（欧氏）距离对

A\u点中的点进行排序

我该怎么做？我读到了关于scipy.spatial.distance.cdist和scipy.spatial.KDTree的文章，但是他们都没有完全按照我的要求去做，当我试图将它们组合起来时，我把它们搞得一团糟。谢谢


为了便于参考和一致性，我们假设：

p_ref = np.array([0,1,2,3])
A_points = np.reshape(np.array([10,3,2,13,4,5,16,3,8,19,4,11]), (4,3))

预期产出：

array([[ 3,  2, 10],
       [ 4,  5, 13],
       [ 3,  8, 16],
       [ 4, 11, 19]])

编辑：根据OP的建议进行更新

我希望我能正确地理解你，但是你可以使用下列公式计算两个向量之间的距离。使用此选项应简单到：

A_sorted = sorted( A_points.T, key = lambda x: np.linalg.norm(x - p_ref ) )
A_sorted = np.reshape(A_sorted, (3,4)).T

编辑：根据OP的建议进行更新

我希望我能正确地理解你，但是你可以使用下列公式计算两个向量之间的距离。使用此选项应简单到：

A_sorted = sorted( A_points.T, key = lambda x: np.linalg.norm(x - p_ref ) )
A_sorted = np.reshape(A_sorted, (3,4)).T

你可以这样做-

A_points[:,np.linalg.norm(A_points-p_ref[:,None],axis=0).argsort()]

另一个带有
np.einsum
的，应该比
np.linalg.norm
-

d = A_points-p_ref[:,None]
out = A_points[:,np.einsum('ij,ij->j',d,d).argsort()]

进一步优化，以利用快速矩阵乘法替换最后一步-

A_points[:,((A_points**2).sum(0)+(p_ref**2).sum()-2*p_ref.dot(A_points)).argsort()]

你可以这样做-

A_points[:,np.linalg.norm(A_points-p_ref[:,None],axis=0).argsort()]

另一个带有
np.einsum
的，应该比
np.linalg.norm
-

d = A_points-p_ref[:,None]
out = A_points[:,np.einsum('ij,ij->j',d,d).argsort()]

进一步优化，以利用快速矩阵乘法替换最后一步-

A_points[:,((A_points**2).sum(0)+(p_ref**2).sum()-2*p_ref.dot(A_points)).argsort()]

谢谢第一个建议很好，但要使其发挥作用，我必须将A_点转置
A_点
并去掉
[：，None]
，最终得到
A_out=A_点.T[np.linalg.norm（A_点.T-p_参考，axis=1）.argsort（）
。如果你在意，你可以编辑你的答案。你也可以用这些玩具值进行测试，它们与我在帖子中的维度一致：
p_ref=np.array（[0,1,2,3]）
，
A_points=np.restrape（np.array（[10,3,2,13,4,5,16,3,8,19,4,11]），（4,3））
。第二个建议在尺寸方面也有问题，但我让它适用于
dim（A）=（4,4）
，如果您愿意，也可以更改它。@NeStack确定吗？这两个对我来说都很好。是什么让你得出这些都不起作用的结论？再次感谢你的回答！我只是按照你在玩具值上呈现它们的方式测试了你的代码片段，它们没有进行所需的计算，尽管它们运行时没有出现错误（注意dim（p_ref）=n，dim（A_points）=（n，m），为了让问题更清楚，我还将玩具值包括在问题中）。尽管如此，我只需要旋转变量就可以使它们工作，所以+1。@NeStack所以，我想你的意思是对每行
A_点进行排序。这就是困惑。代码已编辑。谢谢！第一个建议很好，但要使其发挥作用，我必须将A_点转置
A_点
并去掉
[：，None]
，最终得到
A_out=A_点.T[np.linalg.norm（A_点.T-p_参考，axis=1）.argsort（）
。如果你在意，你可以编辑你的答案。你也可以用这些玩具值进行测试，它们与我在帖子中的维度一致：
p_ref=np.array（[0,1,2,3]）
，
A_points=np.restrape（np.array（[10,3,2,13,4,5,16,3,8,19,4,11]），（4,3））
。第二个建议在尺寸方面也有问题，但我让它适用于
dim（A）=（4,4）
，如果您愿意，也可以更改它。@NeStack确定吗？这两个对我来说都很好。是什么让你得出这些都不起作用的结论？再次感谢你的回答！我只是按照你在玩具值上呈现它们的方式测试了你的代码片段，它们没有进行所需的计算，尽管它们运行时没有出现错误（注意dim（p_ref）=n，dim（A_points）=（n，m），为了让问题更清楚，我还将玩具值包括在问题中）。尽管如此，我只需要旋转变量就可以使它们工作，所以+1。@NeStack所以，我想你的意思是对每行
A_点进行排序。这就是困惑。代码编辑。谢谢，我喜欢简单的答案，虽然其他方法可能更快！为了让它工作，我必须将A_点转置，并最终改变答案的形状，如下所示：
A_排序=排序（A_点.T，key=lambda x:np.linalg.norm（x-p_ref））
，
A_排序=np.reforme（A_排序，（3,4））.T
。我接受你的帖子作为答案，但是如果你想按照建议编辑它，我也在我的初始问题中提供了玩具值谢谢，我喜欢答案的简单性，尽管其他方法可能更快！为了让它工作，我必须将A_点转置，并最终改变答案的形状，如下所示：
A_排序=排序（A_点.T，key=lambda x:np.linalg.norm（x-p_ref））
，
A_排序=np.reforme（A_排序，（3,4））.T
。我接受你的帖子作为答案，但是如果你想按照建议编辑它，我也在我的初始问题中提供了玩具值。你能为玩具示例添加预期的输出吗？我假设输出只是一个不同的行顺序，
a_points
@Divakar当然，我添加了它：）您还可以为玩具示例添加预期的输出吗？我假设输出只是一个不同的行顺序，
a_points
@Divakar当然，我添加了它：）