Mam 2 listy z X, Y współrzędne punktów. Lista 1 zawiera więcej punktów niż lista 2.Znaleźć najlepsze pasujące pary punktów z 2 wektorów
Zadaniem jest znalezienie par punktów w taki sposób, aby zminimalizować ogólną odległość euklidesową.
Mam działający kod, ale nie wiem, czy to jest najlepszy sposób i chciałbym uzyskać podpowiedź, co mogę poprawić dla wyniku (lepszy algorytm do znalezienia minimum) lub szybkość, ponieważ lista jest około 2000 elementów każdy.
Runda w wektorach próbkowania jest zaimplementowana, aby uzyskać także punkty o tych samych odległościach. W funkcji "rdist" wszystkie odległości są generowane w "odległościach". Niż minimum w macierzy służy do połączenia 2 punktów ("dist_min"). Wszystkie odległości od tych 2 punktów zostaną teraz zastąpione przez NA i pętla będzie kontynuowana przez przeszukanie następnego minimum, aż wszystkie punkty listy 2 będą miały punkt z listy 1. Na końcu dodałem wykres do wizualizacji.
require(fields)
set.seed(1)
x1y1.data <- matrix(round(runif(200*2),2), ncol = 2) # generate 1st set of points
x2y2.data <- matrix(round(runif(100*2),2), ncol = 2) # generate 2nd set of points
distances <- rdist(x1y1.data, x2y2.data)
dist_min <- matrix(data=NA,nrow=ncol(distances),ncol=7) # prepare resulting vector with 7 columns
for(i in 1:ncol(distances))
{
inds <- which(distances == min(distances,na.rm = TRUE), arr.ind=TRUE)
dist_min[i,1] <- inds[1,1] # row of point(use 1st element of inds if points have same distance)
dist_min[i,2] <- inds[1,2] # column of point (use 1st element of inds if points have same distance)
dist_min[i,3] <- distances[inds[1,1],inds[1,2]] # distance of point
dist_min[i,4] <- x1y1.data[inds[1,1],1] # X1 ccordinate of 1st point
dist_min[i,5] <- x1y1.data[inds[1,1],2] # Y1 coordinate of 1st point
dist_min[i,6] <- x2y2.data[inds[1,2],1] # X2 coordinate of 2nd point
dist_min[i,7] <- x2y2.data[inds[1,2],2] # Y2 coordinate of 2nd point
distances[inds[1,1],] <- NA # remove row (fill with NA), where minimum was found
distances[,inds[1,2]] <- NA # remove column (fill with NA), where minimum was found
}
# plot 1st set of points
# print mean distance as measure for optimization
plot(x1y1.data,col="blue",main="mean of min_distances",sub=mean(dist_min[,3],na.rm=TRUE))
points(x2y2.data,col="red") # plot 2nd set of points
segments(dist_min[,4],dist_min[,5],dist_min[,6],dist_min[,7]) # connect pairwise according found minimal distance
Znalezienie pytania o ciemne materię kaggle, być może? –
Pseudo kod byłby łatwy do napisania: 'for (i in 1st.set.points) {for (j in j 2nd.set.points) {oblicz: sqrt ((x1st.set.ponint-x2nd.set.points)^2 + (y1st.set.ponint-y2nd.set.points)^2), zapisz każdą wynikową wartość, a następnie wywołaj funkcję min(), aby określić, która ma najniższą wartość}} ' –
Witam java_xof, myślę, że tak jak ja zrobili.? 'odległości <- rdist (x1y1.data, x2y2.data) dostarcza macierzy wszystkich odległości i' które (odległości == min (odległości, na.rm = TRUE), arr.ind = TRUE) wyszukuje miny w macierz. Ale na wypadek, gdyby były pary o tej samej min. odległość Nie wiem, którą parę wybrać. – user1716533