大双阵列中小双阵列的最佳匹配

Question

我正在尝试将一个大小为~20的小数组与一个大小为约200000的数组进行匹配。两个数组都包含双精度值。在这种情况下，匹配意味着最小的误差，因为不会有精确匹配。

下一件事是，我必须更改小数组的值，因为如果它不同，但值之间有相同的间隔，它也应该匹配，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, ...]

我必须将每个比较的最后一个元素带到相同的数字。上面的例子将是一个非常好的匹配，因为首先我会+1.0整个数组#1。

编辑以澄清上面的陈述:在计算误差之前，示例数组应该如下所示：

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, ...]

/edit

我知道简单地迭代大数组是可能的，但太慢了。当然，我可以使用像norm(v1 - v2)这样的向量操作，而不是通过迭代数组来计算误差。

我听说，python非常适合数学运算，但我找不到任何如何比较两个数组(一个数组中只有一个数字)的方法。

最后，问题是:任何想法，我如何能以一种真正快速的方式解决问题。哪种语言可以很好地解决这类问题(octave不是因为它在矢量计算上很快，但在迭代时很慢)--可能在python中有一些很好的库？

如果我需要更详细的解释，请告诉我。

Answer 1

我承认我对如何定义最佳匹配有点模糊，但这个示例可以很容易地进行调整。神奇之处在于closeness函数，它接收与target长度相同的data片段，并返回一个数字。数字越小，匹配效果越好。

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)