数组中每个值相对于其他值的最小距离答案

【问题标题】：Minimum distance for each value in array respect to other数组中每个值相对于其他值的最小距离
【发布时间】：2019-05-07 14:15:24
【问题描述】：

我有两个整数 A 和 B 的 numpy 数组。数组 A 和 B 中的值对应于事件 A 和 B 发生的时间点。我想转换 A 以包含自最近事件 b 发生以来的时间。

我知道我需要将 A 的每个元素减去最接近 B 的元素，但我不确定该怎么做。任何帮助将不胜感激。

>>> import numpy as np

>>> A = np.array([11, 12, 13, 17, 20, 22, 33, 34])
>>> B = np.array([5, 10, 15, 20, 25, 30])

期望的结果：

cond_a = relative_timestamp(to_transform=A, reference=B)
cond_a
>>> array([1, 2, 3, 2, 0, 2, 3, 4])

【问题讨论】：

嗨，如果我不清楚，对不起。目标是计算每个事件 A 和 B 中小于该事件的事件之间的最小距离。
嘿拉斐尔。实际上，A 和 B 包含数十万个条目。我还向 B 引用了许多不同的数组。我不太了解计算时间，但我认为 for 循环可能太慢了。
你可以使用np.searchsorted:idx=np.searchsorted(B,A, side='right'); result=A-B[idx-1]
@Brenlla 有什么理由不将此作为答案发布？
@RafaelC 没有特别的原因，但我觉得这一定是以前问过的。经过搜索，我找到了几个答案here和here

标签： python numpy data-science

【解决方案1】：

您可以使用np.searchsorted 查找应在B 中插入A 元素以保持顺序的索引。换句话说，您正在为A 中的每个元素在B 中找到最接近的元素：

idx = np.searchsorted(B, A, side='right')
result = A-B[idx-1] # substract one for proper index

根据docs searchsorted 使用binary search，因此它可以很好地适应大型输入。

【讨论】：

【解决方案2】：

这是一种计算成对差异的方法。请注意，它具有O(n**2) 复杂性，因此对于较大的数组，@brenlla 的答案可能会表现得更好。

这里的想法是使用np.subtract.outer，然后在masked array 上找到沿轴1 的最小差异，其中仅考虑B 中小于a 的值：

dif = np.abs(np.subtract.outer(A,B))
np.ma.array(dif, mask = A[:,None] < B).min(1).data
# array([1, 2, 3, 2, 0, 2, 3, 4])

【讨论】：

这很好用，但是outer 操作的时间（和内存）复杂度是 O(n**2)，所以这只对小输入有用
是的，同意...你用np.searchsorted 回答要好得多，没想过在这里使用它。我建议您将其发布为答案，我将删除我的答案或添加有关复杂性的注释警告@brenlla

【解决方案3】：

我不确定，如果计算所有成对差异真的更快，而不是在每个数组条目上使用 python 循环（最坏情况 O(Len(A)+len(B)），使用循环的解决方案：

A = np.array([11, 12, 13, 17, 20, 22, 33, 34])
B = np.array([5, 10, 15, 20, 25, 30])

def calculate_next_distance(to_transform, reference):
    max_reference = len(reference) - 1
    current_reference = 0
    transformed_values = np.zeros_like(to_transform)
    for i, value in enumerate(to_transform):
        while current_reference < max_reference and reference[current_reference+1] <= value:
            current_reference += 1
        transformed_values[i] = value - reference[current_reference]
    return transformed_values

calculate_next_distance(A,B)
# array([1, 2, 3, 2, 0, 2, 3, 4])

【讨论】：