如何在不使用 for/while 循环的情况下迭代 ndarray？

Question

对于两个给定的一维数组或列表，我可以通过函数计算平方欧几里得距离

import numpy as np

def npdistance(x1, x2):

    return sum((np.array(x1)-np.array(x2))**2)

现在对于给定的向量 v 和 2d 数组 X，我想找到 X 中包含的任何向量到向量 u 的最短平方欧几里得距离，而无需使用 for/while 循环遍历 X 的元素。我的尝试是

def npnearest(u, X):
    L=npdistance(u,X)
    return min(L)

这并没有给我想要的东西。例如

 npnearest(np.array([1,1,1]), np.array([[1,1,1],[2,3,4]]))

会给我 16 而不是 0。我该怎么做？

Answer 1

对于 numpy，更喜欢 np.sum 和 np.min，而不是 Python 内置 sum 和 min。

我们可以将npdistance 适配为二维 numpy 向量：

def npdistance(x1, x2):
    return np.sum((np.array(x1)-np.array(x2))**2, axis=1)

考虑矩阵x2：

x2 = np.array([[1,1,1],[2,3,4]])

矩阵x2 有两个轴：

• zeroth 是向量编号：x2[0] 是 np.array([1, 1, 1]) 和 x2[1] 是 np.array([2, 3, 4])，
• 第一个轴代表向量维度：x2[1][1] 是 3（第一个向量的第二个元素）。

我们沿axis=1 执行求和以得到每个向量的距离。

• 如果没有np.sum axis=1，它将返回标量，
• 使用 buildin sum 给出所有向量的总和 (ala axis=0)。

npnearest 在这种情况下可以正常工作。

def npnearest(u, X):
    L=npdistance(u,X)
    return min(L)

npnearest(np.array([1,1,1]), np.array([[1,1,1],[2,3,4]]))

给出 0。