基于最接近值匹配列表元素 寻求向量化实现方案

现有两个列表：

a = [35, 400, 200]
b = [100, 32] 

需求为将列表b中的每个值匹配列表a中最接近的值，且b中每个值最多对应一个匹配结果，最终结果列表由a中的值组成。例如：32匹配35，100匹配200，期望得到结果列表：

c = [35, 200]

目前已通过for循环实现该需求，现寻求向量化解决方案。

方案一：保持b元素匹配顺序的向量化实现 #

核心思路是通过NumPy向量化计算所有元素间的距离，再通过贪心策略逐个选择最优配对（避免a中元素重复被选），其中距离计算环节完全向量化，仅配对选择环节保留一个轻量循环，整体效率远高于纯Python循环。

import numpy as np

a = np.array([35, 400, 200])
b = np.array([100, 32])

# 向量化计算b中每个元素与a中所有元素的绝对差值
distance_matrix = np.abs(b[:, np.newaxis] - a)

# 初始化标记数组，记录a中元素是否已被匹配
matched_a = np.zeros(len(a), dtype=bool)
result = []

for _ in range(len(b)):
    # 复制距离矩阵并将已匹配的a元素对应距离设为无穷大，排除重复选择
    masked_dist = distance_matrix.copy()
    masked_dist[:, matched_a] = np.inf
    # 找到全局最小距离的配对索引
    min_row, min_col = np.unravel_index(np.argmin(masked_dist), masked_dist.shape)
    # 记录匹配的a元素
    result.append(a[min_col])
    # 标记该a元素已被使用
    matched_a[min_col] = True

# 转换为目标列表格式
c = list(result)
print(c)  # 输出: [35, 200]

方案二：全向量化配对排序实现 #

通过生成所有可能的配对并按距离排序，再贪心筛选不重复的配对，适合不需要严格对应b元素原始顺序的场景：

import numpy as np

a = np.array([35, 400, 200])
b = np.array([100, 32])

# 生成b和a的所有配对组合
all_pairs = np.array(np.meshgrid(b, a)).T.reshape(-1, 2)
# 计算每个配对的距离
distances = np.abs(all_pairs[:, 0] - all_pairs[:, 1])

# 按距离从小到大排序所有配对
sorted_indices = np.argsort(distances)
sorted_pairs = all_pairs[sorted_indices]

# 筛选不重复的a元素配对
selected_a = set()
for pair in sorted_pairs:
    val_a = pair[1]
    if val_a not in selected_a and len(selected_a) < len(b):
        selected_a.add(val_a)

# 转换为列表
c = list(selected_a)
# 若需要与b元素顺序对应，可结合方案一的逻辑调整

内容的提问来源于stack exchange，提问作者Matas M