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 arrays 或列表，我可以通过 function 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 XI 想要找到包含在 X 中的任何向量到向量 u 的最短平方欧几里得距离，而不用 for/while 循环迭代 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

在 numpy 的情况下，更喜欢np.sum和np.min ，而不是 Python 内置sum和min 。

我们可以为二维 numpy 向量调整npdistance ：

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：

• 第零是向量号： x2[0]是np.array([1, 1, 1])和x2[1]是np.array([2, 3, 4]) ，
• 第一个轴用于向量维度： x2[1][1]为3 （第一个向量的第二个元素）。

我们沿axis=1执行求和以获得每个向量的距离。

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

在这种情况下， npnearest工作正常。

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。