python中是否有任何高效的库函数可以找到最接近/最远的一对点? 输入是位于边缘大小为1的k维立方体中的点列表。 为了找到最接近的代码,以下代码占用了太多时间。 TC:O(n ** 2 * k)其中n是输入的大小。 在我的例子中,输入n约为4000,k的值约为300。
def euclid_dist( p1, p2 ):
val = 0
for i in range(len(p1)):
val += (p1[i]-p2[i])**2
return val
def find_close_cluster( points ):
ans1 = 0
ans2 = 1
min_dist = 1000000000000
for i in range( len(clusters) ):
for j in range( i+1,len(clusters)):
current_dist = euclid_dist(clusters[i],clusters[j])
if( current_dist < min_dist ):
ans1 = i
ans2 = j
min_dist = current_dist
return ( ans1, ans2 )
答案 0 :(得分:2)
您应该使用numpy ndarrays
和scipy.spatial.distance.cdist
功能。 numpy为您提供了一个以向量化形式处理数据的高效容器,因此代码运行速度比在迭代器或列表上执行循环要快得多。 scipy.spatial.distance.cdist使用numpy数组来计算所有元素之间的距离。有关详细信息,请查看documentation。
下面的代码应该有效:
import numpy as np
from scipy.spatial.distance import cdist
your_data = np.asarray([[first_sample], [second_sample], [...])
d = cdist(your_data, your_data)
number_samples = your_data.shape[0]
# Select d(a_i,a_j), i != j without repetitions
il1 = np.tril_indices(number_samples, k=-1)
dist = d[il1]
arg_min = dist.argmin()
min = dist.min()
arg_max = dist.argmax()
max = dist.max()