使用Numpy argmin()查找最接近元组时结果异常的问题

问题原因 #

你当前的代码仅计算了单个元素的绝对差值，np.argmin默认会把二维差值数组扁平化，返回整个数组中最小元素的位置，而非「每行总差值最小」的行索引。比如索引8的元组(0.0, 21.0, 8.0)与查询元组的第三个元素差值为0.4，这个值是所有单个元素差值里最小的，因此np.argmin返回了它对应的扁平化索引，但这并非你需要的「整体最接近」的元组索引。

正确解决方案 #

需要先计算每个元组与查询元组的元素级绝对差总和（或其他距离指标，比如欧氏距离），再找总和最小的行索引：

方法1：使用曼哈顿距离（绝对差总和）

import numpy as np

array_of_tuples = np.array([(0.0, 6.5, 1),
     (0.0, 6.5, 4.5),
     (0.0, 6.5, 8.0),
     (0.0, 13.5, 1),
     (0.0, 13.5, 4.5),
     (0.0, 13.5, 8.0),
     (0.0, 21.0, 1),
     (0.0, 21.0, 4.5),
     (0.0, 21.0, 8.0),
     (7.0, 6.5, 1),
     (7.0, 6.5, 4.5),
     (13.5, 21.0, 8.0)])
query = np.array((13.1, 20.3, 8.4))

# 计算每行的绝对差总和
total_diffs = np.sum(np.abs(array_of_tuples - query), axis=1)
# 获取总差值最小的索引
closest_index = np.argmin(total_diffs)

print(closest_index)  # 输出11，对应最后一个元组

方法2：使用欧氏距离（平方差总和）

如果需要更侧重较大差值的影响，可以用欧氏距离（无需开根号，因为平方根不影响最小值的位置）：

# 计算每行的平方差总和
squared_diffs = np.sum((array_of_tuples - query)**2, axis=1)
closest_index = np.argmin(squared_diffs)

print(closest_index)  # 同样输出11

验证结果 #

索引11的元组(13.5, 21.0, 8.0)与查询元组的绝对差为(0.4, 0.7, 0.4)，总和为1.5；而索引8的元组绝对差总和为13.1 + 0.7 + 0.4 = 14.2，显然前者整体更接近。

内容的提问来源于stack exchange，提问作者Josh