计算数组中所有点与二维中另一个点之间的距离

Question

我有一个二维点，让我们称之为

p1 = (x,y)

和一系列点，

p2 = [(x1, y1), (x2, y2), (x3, y3)...]

我想构建一个数组来计算p2中每个条目与点p1之间的距离。接下来，我需要找到p2和p1中的点之间的最小距离，并返回p2中的原始坐标。到目前为止，我尝试过以下方法：

dist1 = np.sqrt(p1.x**2 + p1.y**2)
dist2 = np.sqrt(p2.x**2 + p2.y**2)
dist = dist2-dist1

返回错误“操作数无法与形状（2，）（1265，）一起广播”

至于找到最小距离，我想我需要使用numpy min函数，如下所示

import numpy as np
np.min(dist)

但是在计算距离后，我仍然坚持如何返回x和y坐标。

Answer 1

通常你使用scipy的cdist来实现这一点，但是你需要以不同的格式指定数组。

例：

import numpy as np
from scipy.spatial.distance import cdist

x = np.array([[2,1]])
y = np.array([[1,0], [2,3], [4,3]])

d = cdist(x,y)

d是具有所有距离的阵列。

通常，在指定点集时，格式p2 = [(x1, y1), (x2, y2), (x3, y3)...]对于使用诸如numpy / scipy / pandas之类的库进行操作不是很方便。通常你可能更喜欢np.array([[x1,y1], [x2,y2], [x3,x3]])。

要获得最小距离，请使用

idx = np.argmin(d)

idx返回具有最小距离的数组索引的值（在本例中为0）。

因此，如果你做y[idx]，它将返回最小距离的点（在这种情况下为[1, 0]）。

Answer 2

如果你想计算距离并找到最小的而不使用任何包装，那么你可以试试这样的东西

import sys

minimum_distance = sys.maxsize
minimum_point = (0,0)

for point in p2:
    distance = math.sqrt((p[0] - point[0]) ** 2 + (p[1] - point[1]) ** 2)
    if distance < minimum_distance:
        minimum_distance = distance
        minimum_point = point

print("Point with minimum distance", minimum_point)