大双阵列中小双阵列的最佳匹配

Question

我想在〜200000的大小的阵列中匹配大小为〜20的小阵列。这两个数组都包含double值。在这种情况下匹配意味着最小的错误，因为不会有完全匹配。

接下来的事情是，我必须要改变小数组的值，因为它也应该匹配，如果是不同的，但有值之间的相同的空白，这意味着：

array 1: [1.3, 1.4, 1.3, 1.5, 1.7] 
array 2: [..., 2.3, 2.4, 2.4, 2.5, 2.7, ...] 

我要带每次比较相同数字的最后一个元素。上面的例子会是一个非常好的匹配，因为首先我会+1.0整个数组＃1。

[编辑] 为了澄清上述声明：该示例阵列应该是这样计算的错误之前：

array 1: [2.3, 2.4, 2.3, 2.5, 2.7] 
// (+1 of each element so the last element of the small array, 
// and the last element of the part of the large array I am 
// comparing to, has the same values: in this case: 2.7) 
array 2: [..., 2.3, 2.4, 2.4, 2.5, 2.7, ...] 

[/编辑]

我知道这是可能简单地通过迭代大阵，但它太慢了。当然，不是通过遍历数组来计算错误，我可以使用像norm（v1 - v2）这样的向量操作。

所以我听说，python对于数学运算是相当不错的，但我找不到任何如何比较2个数组（只是数组中的一个数字）。

最后，问题是：任何想法，我怎么能以非常快的方式解决问题。哪种语言可以很好地解决这类问题（八度并不是因为它在向量计算时速度很快，而是在迭代时速度很慢） - 可能在Python中有一些好的库？

让我知道是否需要更详细地解释它。

Answer 1

我承认我对你的定义最好的匹配有点模糊，但这个例子可以很容易地调整。神奇的是closeness函数收到data的片段，其长度与target相同，并返回一个数字。数字越小，比赛就越好。

import random 

target = [random.random() * 10 for i in range(20)] 
data = [random.random() * 10 for i in range(200000)] 

def closeness(a_range): 
    diffs = list(map(lambda e: e[0]-e[1], zip(a_range, target))) 
    avg_diffs = float(sum(diffs))/len(diffs) 
    adjusted_target = [i + avg_diffs for i in target] 
    return sum(adjusted_target) 

ranges = [data[i:i+len(target)] for i in range(len(data)-len(target))] 
best_match = min(ranges, key=closeness) 

print(best_match)