查找一个数组与另一个数组中所有值的最接近索引-PythonNumPy

查找一个数组与另一个数组中所有值的最接近索引-Python / NumPy

这是一种

np.searchsorted

基于

thispost

-的矢量化方法

def closest_argmin(A, B):    L = B.size    sidx_B = B.argsort()    sorted_B = B[sidx_B]    sorted_idx = np.searchsorted(sorted_B, A)    sorted_idx[sorted_idx==L] = L-1    mask = (sorted_idx > 0) &     ((np.abs(A - sorted_B[sorted_idx-1]) < np.abs(A - sorted_B[sorted_idx])) )    return sidx_B[sorted_idx-mask]

简要说明 ：

• 获取左位置的排序索引。我们使用-

  np.searchsorted(arr1, arr2, side='left')

  或just进行此 *** 作

  np.searchsorted(arr1, arr2)

  。现在，

  searchsorted

  期望将排序数组作为第一个输入，因此我们需要在那里做一些准备工作。

• 比较那些左侧位置的值和其紧邻右侧位置的值，

  (left + 1)

  看看哪一个最接近。我们在计算的步骤中执行此 *** 作

  mask

  。

• 根据左边的还是最右边的，选择相应的。这是通过对索引进行减法来完成的，将

  mask

  值作为偏移量转换为

  ints

  。

标杆管理

原始方法-

def org_app(myArray, refArray):    out1 = np.empty(myArray.size, dtype=int)    for i, value in enumerate(myArray):        # find_nearest from posted question        index = find_nearest(refArray, value)        out1[i] = index    return out1

时间和验证-

In [188]: refArray = np.random.random(16)     ...: myArray = np.random.random(1000)     ...:In [189]: %timeit org_app(myArray, refArray)100 loops, best of 3: 1.95 ms per loopIn [190]: %timeit closest_argmin(myArray, refArray)10000 loops, best of 3: 36.6 µs per loopIn [191]: np.allclose(closest_argmin(myArray, refArray), org_app(myArray, refArray))Out[191]: True

50x+

加快发布的样本的速度，希望对更大的数据集有更多的速度！