1

我有一个点集，我将其坐标存储在三个不同的数组（xa、ya、za）中。现在，我想计算这个点集（xa[0]、ya[0]、za[0] 等）的每个点与另一个点集（xb、yb、zb）的所有点之间的欧几里得距离) 并且每次都将最小距离存储在一个新数组中。

假设 xa.shape = (11,), ya.shape = (11,), za.shape= (11,)。分别为xb.shape = (13,), yb.shape = (13,), zb.shape = (13,)。我想做的是每次取一个xa[]，ya[]，za[]，并计算它与xb，yb，zb的所有元素的距离，最后将最小值存储到xfinal中。形状 = (11,) 数组。

您认为 numpy 可以实现这一点吗？

4

3 回答 3

8

一个不同的解决方案是使用来自 scipy 的空间模块，特别是 KDTree。

这个类从一组数据中学习，并且可以在给定一个新数据集的情况下进行询问：

from scipy.spatial import KDTree
# create some fake data
x = arange(20)
y = rand(20)
z = x**2
# put them togheter, should have a form [n_points, n_dimension]
data = np.vstack([x, y, z]).T
# create the KDTree
kd = KDTree(data)

现在，如果您有一个点，您可以通过以下方式询问最近点（或 N 个最近点）的距离和索引：

kd.query([1, 2, 3])
# (1.8650720813822905, 2)
# your may differs

或者，给定一个位置数组：

#bogus position
x2 = rand(20)*20
y2 = rand(20)*20
z2 = rand(20)*20
# join them togheter as the input
data2 = np.vstack([x2, y2, z2]).T
#query them
kd.query(data2)

#(array([ 14.96118553,   9.15924813,  16.08269197,  21.50037074,
#    18.14665096,  13.81840533,  17.464429  ,  13.29368755,
#    20.22427196,   9.95286671,   5.326888  ,  17.00112683,
#     3.66931946,  20.370496  ,  13.4808055 ,  11.92078034,
#     5.58668204,  20.20004206,   5.41354322,   4.25145521]),
#array([4, 3, 2, 4, 2, 2, 4, 2, 3, 3, 2, 3, 4, 4, 3, 3, 3, 4, 4, 4]))
于 2013-03-15T15:42:13.803 回答
1

您可以使用 计算每个 xa 到每个 xb 的差异np.subtract.outer(xa, xb)。到最近的 xb 的距离由下式给出

np.min(np.abs(np.subtract.outer(xa, xb)), axis=1)

要将其扩展到 3D，

distances = np.sqrt(np.subtract.outer(xa, xb)**2 + \
    np.subtract.outer(ya, yb)**2 + np.subtract.outer(za, zb)**2)
distance_to_nearest = np.min(distances, axis=1)

如果您真的想知道哪个b 点是最近的，请使用argmin代替min.

index_of_nearest = np.argmin(distances, axis=1)
于 2013-03-15T15:15:14.143 回答
0

有不止一种方法可以做到这一点。最重要的是，内存使用和速度之间存在权衡。这是浪费的方法：

s = (1, -1)
d = min((xa.reshape(s)-xb.reshape(s).T)**2
     + (ya.reshape(s)-yb.reshape(s).T)**2
     + (za.reshape(s)-zb.reshape(s).T)**2), axis=0)

另一种方法是迭代设置的点b以避免扩展到完整的矩阵。

于 2013-03-15T15:42:44.337 回答