我过去常常使用 min([a, b], key=lambda x:abs(x-x0)) 找出哪一个 a 和 b 最接近 x0 .
min([a, b], key=lambda x:abs(x-x0))
a
b
x0
a = 1 b = 2 x0 = 1.49 print(min([a, b], key=lambda x:abs(x-x0))) # >>> 1
现在, 一 和 b 是具有任意维数的numpy数组。我想逐个元素地构建一个由两个数组中最接近x0的值组成的数组。
一
import numpy as np a = np.array([[1, 2], [3, 5]]) b = np.array([[6, 2], [6, 2]]) ## case 1 x0 = 4 # >>> should return np.array([[6, 2], [3, 5]]) ## case 2 x0 = np.array([[1, 2], [3, 4]]) # >>> should return np.array([[1, 2], [3, 5]])
为了找到两个数组之间的元素最小值,我们可以使用 numpy.minimum . 不幸的是,这并不需要 lambda 用作参数。
numpy.minimum
lambda
我该怎么办?
这就是你要找的吗?
np.where(np.abs(a - x0) < np.abs(b - x0), a, b)
numpy 不支持关键功能。一种可能的解决方案是将距离存储在单独的数组中,并使用 np.argmin 以4D点为例:
numpy
np.argmin
points = np.array([[0, 0.1, 0.2, 0.3], [3, 4, 5, 5], [6, 4.5, 1, 1]]) x0 = [3, 0.5, 5, 5] distances = np.sum((points - x0)**2, axis=1) output = points[np.argmin(distances)]
输出:
array([3., 4., 5., 5.])