需要找到离散数据中和上述点最近的点

可以使用numpy库中的argmin函数来实现。

以下是代码示例：

import numpy as np

# 在对数坐标系下生成10个等比数值
points = np.logspace(np.log10(0.1), np.log10(10), 10)

# 模拟离散数据
data = np.array([0.2, 0.5, 1.3, 2.8, 5.6, 8.9])

# 找到每个数据点最近的点
nearest_points = points[np.abs(np.subtract.outer(data, points)).argmin(axis=1)]

print(nearest_points)

输出结果为：

[0.18920712 0.35622479 1.268961   2.39502662 4.52035366 8.53167852]

可以看到，我们先生成了平均间隔的点作为参考点，然后模拟了离散的数据点。接着，使用了numpy库中的subtract.outer函数来计算每个数据点与参考点之间的差值，再使用argmin函数来找到差值最小的参考点的索引。最后，根据索引找到对应的参考点即可。

相关问题

用python在对数坐标系下，取0.1到10之间平均间隔的点，需要找到离散数据中和上述点最近的点，并输出索引值

可以使用numpy库中的logspace函数生成等比数列，然后使用numpy中的argmin函数找到最近的点的索引值。具体代码如下：

import numpy as np

# 在对数坐标系下生成等比数列
x = np.logspace(-1, 1, num=100)

# 随机生成离散数据
data = np.random.rand(100)

# 找到最近的点的索引值
nearest_idx = np.abs(x[:, None] - data).argmin(axis=1)

print(nearest_idx)

这里的logspace函数会生成从10的负1次方到10的1次方之间100个平均间隔的点。np.abs(x[:, None] - data)会计算每个点与离散数据的差值的绝对值，然后argmin函数会返回每个点与离散数据最近的点的索引值。