如何从多个shape为(300,)的numpy数组中找出最接近的两个数组？

当然有办法！其实你可以基于已经熟悉的scipy.spatial.distance.cdist来实现，不过需要做一点额外的处理，另外也有更高效的方法，我给你分两种情况说明：

方法一：基于cdist的基础实现 #

如果你不想引入新工具，用cdist完全能搞定：

• 首先把所有(300,)的数组堆叠成一个形状为(N, 300)的二维numpy数组，假设叫arrays_stack（N是数组的总数）
• 用cdist计算所有数组间的距离矩阵，得到一个(N, N)的矩阵dist_matrix
• 因为距离矩阵是对称的，且对角线是数组自身的距离（为0），所以我们先把对角线的值设为无穷大，避免选中同一个数组
• 最后找出矩阵中最小值对应的索引，就是彼此最接近的两个数组的位置

代码示例：

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

# 模拟生成5个(300,)的数组，替换成你自己的数组即可
arrays = [np.random.rand(300) for _ in range(5)]
arrays_stack = np.vstack(arrays)

# 计算距离矩阵，这里用欧氏距离，你可以换成其他支持的度量（比如曼哈顿距离）
dist_matrix = cdist(arrays_stack, arrays_stack, metric='euclidean')

# 把对角线设为无穷大，排除自身对比
np.fill_diagonal(dist_matrix, np.inf)

# 找到最小距离对应的数组索引
min_idx = np.unravel_index(np.argmin(dist_matrix), dist_matrix.shape)
closest_pair = (arrays[min_idx[0]], arrays[min_idx[1]])

print(f"最接近的两个数组是索引{min_idx[0]}和{min_idx[1]}")

方法二：更高效的KD-Tree实现 #

如果你的数组数量特别多（比如上千个甚至更多），cdist的O(N²)复杂度会有点慢，这时候可以用scipy.spatial.KDTree来优化查询效率：

• 同样先把数组堆叠成二维数组
• 构建KD-Tree后，用query方法找每个点的最近邻（排除自身），再从所有最近邻距离中筛选出全局最小的那一对

代码示例：

import numpy as np
from scipy.spatial import KDTree

# 模拟生成数组，替换成你的数据
arrays = [np.random.rand(300) for _ in range(5)]
arrays_stack = np.vstack(arrays)

tree = KDTree(arrays_stack)
# k=2表示找每个点的前2个最近点（第一个是自身），所以取索引1的结果就是除自身外的最近邻
distances, indices = tree.query(arrays_stack, k=2)

# 找到所有最近邻距离中的最小值对应的数组对
min_dist_idx = np.argmin(distances[:, 1])
pair_idx = (min_dist_idx, indices[min_dist_idx, 1])
closest_pair = (arrays[pair_idx[0]], arrays[pair_idx[1]])

print(f"最接近的两个数组是索引{pair_idx[0]}和{pair_idx[1]}")

注意：如果存在多组距离相同且均为最小值的点对，上面的方法会返回第一个遇到的那一对；如果需要获取所有这样的点对，可以额外添加逻辑筛选。

内容的提问来源于stack exchange，提问作者Kabilesh