在python中匹配两组列表中最相似的列表

我有两个python列表，其中包含内部列表。所有内部列表都有相同数量的元素。所有内部列表由

0

s和

1

s组成

a = [[0,1,0,0,0,1,1,1,0,1,0,0],
[0,0,0,1,0,1,0,1,0,1,0,0],
[0,1,0,1,0,0,1,1,0,1,0,0],
[1,1,0,0,0,1,1,0,1,1,1,0]]

b = [[0,1,1,0,0,1,1,1,0,0,0,0],
[0,1,0,0,0,1,1,1,1,1,0,0],
[0,1,1,0,0,1,1,0,0,1,0,1],
[1,1,1,0,0,1,1,1,0,1,1,0]]

我想将

a

中的每个内部列表与

b

中最相似的内部列表进行匹配。 最相似的意思是：在

a

的内部列表中，索引值相同的元素在b的内部列表中应该尽可能多地相同

我的意思是[1,1,1,0,1,0]比[1,1,1,1,1,0]更类似于[1,0,1,0,1,0]

a

中的每个内部列表应仅与

b

中的1个内部列表匹配

a

和

b

可能具有不同数量的内部列表

---

有没有一个库或函数可以实现这么快的速度？在我的问题a和b中，有500多个内部列表，每个内部列表大约有35个元素。

您可以使用NumPy快速对两个二进制列表进行异或运算，以获得两者之间的差异，然后计算差异列表中的1数。这只是一种快速计算到二进制列表之间编辑距离的方法

import numpy as np

a = [[0,1,0,0,0,1,1,1,0,1,0,0],
[0,0,0,1,0,1,0,1,0,1,0,0],
[0,1,0,1,0,0,1,1,0,1,0,0],
[1,1,0,0,0,1,1,0,1,1,1,0]]

b = [[0,1,1,0,0,1,1,1,0,0,0,0],
[0,1,0,0,0,1,1,1,1,1,0,0],
[0,1,1,0,0,1,1,0,0,1,0,1],
[1,1,1,0,0,1,1,1,0,1,1,0]]

def bindist(x, y):
    xors = np.bitwise_xor(x, y)
    return np.count_nonzero(xors)

for x in range(len(a)):
    best_index = 0
    best_dist = 9999999999999
    for y in range(len(b)):
        dist = bindist(a[x],b[y])
        if dist < best_dist:
            best_dist = dist
            best_index = y
    print("a", x, a[x])
    print("b", best_index, b[best_index])
    print("distance", best_dist)

将numpy导入为np
a=[[0,1,0,0,0,1,1,1,0,1,0,0]，
[0,0,0,1,0,1,0,1,0,1,0,0],
[0,1,0,1,0,0,1,1,0,1,0,0],
[1,1,0,0,0,1,1,0,1,1,1,0]]
b=[[0,1,1,0,0,1,1,1,0,0,0,0]，
[0,1,0,0,0,1,1,1,1,1,0,0],
[0,1,1,0,0,1,1,0,0,1,0,1],
[1,1,1,0,0,1,1,1,0,1,1,0]]
def绑定列表（x，y）：
xor=np.按位xor（x，y）
返回np.count\u非零（XOR）
对于范围（len（a））内的x：
最佳指数=0
最佳距离=999999999
对于范围内的y（len（b））：
dist=绑定列表（a[x]，b[y]）
如果距离<最佳距离：
最佳距离
最佳指数=y
打印（“a”，x，a[x]）
打印（“b”，最佳索引，b[最佳索引]）
打印（“距离”，最佳距离）

---

该代码允许

a

中的多个列表与

b

中的列表匹配，但您应该能够轻松地调整它。

定义最相似的？我定义的Danimesjo。我会使用一些相似性度量，可能是均方误差或平均绝对误差，迭代，如果MAE/MSE的值最低，则匹配最接近