我有 2 个大小不等的数组:
>>> np.size(array1)
4004001
>>> np.size(array2)
1000
现在,需要将 array2 中的每个元素与 array1 中的所有元素进行比较,以找到与 array2 中该元素的值最接近的元素。 找到这个值后,我需要将它存储在另一个大小为 1000 的数组中——其中一个大小对应于 array2。
执行此操作的繁琐和粗暴的方法可能是使用 for 循环并从数组 2 中获取每个元素,从数组 1 的元素中减去其绝对值,然后获取最小值 - 这将使我的代码非常慢。
我想使用 numpy 向量化操作来执行此操作,但我有点碰壁了。
请您参考如下方法:
要充分利用 numpy 并行性,我们需要向量化函数。此外,使用相同的标准(最近)在同一数组 (array1) 中找到所有值。因此,可以专门做一个专门在array1中查找的函数。
但是,为了使解决方案更具可重用性,最好先制定一个更通用的解决方案,然后再将其转换为更具体的解决方案。因此,作为找到最接近值的一般方法,我们从 this find nearest solution 开始。 .然后我们将其转换为更具体的对象并将其矢量化,以允许它同时处理多个元素:
import math
import numpy as np
from functools import partial
def find_nearest_sorted(array,value):
idx = np.searchsorted(array, value, side="left")
if idx > 0 and (idx == len(array) or math.fabs(value - array[idx-1]) < math.fabs(value - array[idx])):
return array[idx-1]
else:
return array[idx]
array1 = np.random.rand(4004001)
array2 = np.random.rand(1000)
array1_sorted = np.sort(array1)
# Partially apply array1 to find function, to turn the general function
# into a specific, working with array1 only.
find_nearest_in_array1 = partial(find_nearest_sorted, array1_sorted)
# Vectorize specific function to allow us to apply it to all elements of
# array2, the numpy way.
vectorized_find = np.vectorize(find_nearest_in_array1)
output = vectorized_find(array2)
希望这就是您想要的,一个新向量,将 array2 中的数据映射到 array1 中最接近的值。
