更高效计算NumPy数组间距离的方法？3D粒子与圆匹配需求

先把需求和现有做法理清楚：

场景是3D空间盒里有多个位置不同的预定义圆，还有一批带唯一ID和x-y-z坐标的粒子。我们需要找出每个圆指定半径范围内的所有粒子，并记录它们的ID。

目前你采用的做法是：

• 逐个循环遍历每个圆心
• 用scipy.spatial.distance.cdist()计算所有粒子的坐标和当前圆心的欧氏距离
• 把所有粒子与各圆心的距离数据存储下来，后续再做筛选

可以优化的实现方式 #

如果粒子和圆的数量比较多，其实不用挨个循环圆心，直接一次性计算所有粒子和所有圆心的距离矩阵会更高效。毕竟cdist本身是优化过的底层实现，批量计算比多次循环调用要快不少，代码也更简洁。

给你写个实际的代码示例参考：

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

# 模拟测试数据：3个圆心的3D坐标
circle_centers = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
# 模拟粒子数据：每条数据是[粒子ID, x, y, z]
particles = np.array([[101, 1.2, 2.1, 3.0],
                      [102, 4.5, 5.2, 6.3],
                      [103, 7.1, 8.0, 9.2],
                      [104, 0.5, 1.0, 2.0],
                      [105, 5.0, 6.0, 7.0]])
# 每个圆对应的半径
circle_radii = np.array([0.5, 0.8, 0.6])

# 拆分粒子的ID和坐标
particle_ids = particles[:, 0]
particle_coords = particles[:, 1:]

# 一次性计算所有粒子与所有圆心的欧氏距离矩阵
distance_matrix = cdist(particle_coords, circle_centers)

# 构建每个圆对应的匹配粒子ID字典
circle_to_particles = {}
for idx in range(len(circle_centers)):
    # 筛选出距离当前圆半径范围内的粒子索引
    match_indices = np.where(distance_matrix[:, idx] <= circle_radii[idx])[0]
    # 获取对应的粒子ID列表
    circle_to_particles[f"circle_{idx+1}"] = particle_ids[match_indices].tolist()

# 输出结果
print(circle_to_particles)

额外注意事项 #

这里默认你说的"圆的半径范围"是3D空间中的球体范围（也就是距离圆心欧氏距离小于等于半径的粒子都算）。如果你的圆是某个平面内的平面圆（比如仅在XY平面内，要求粒子的z坐标和圆心z一致，同时平面内距离小于半径），那就要先筛选出在该平面内的粒子，再计算平面内的二维距离，不能直接用欧氏距离了，得调整计算逻辑。

内容的提问来源于stack exchange，提问作者Hanjue Zhu