最快的方法可能是使用scipy.spatial.KDTree。proposed duplicate建议使用scipy.spatial.distance.cdist，但您的数组太大，会占用太多内存。

import numpy as np
from scipy.spatial import KDTree

rng = np.random.default_rng(42)
A = rng.uniform(low=-100, high=100, size=(1_000_000, 3))
B = rng.uniform(low=-100, high=100, size=(100_000, 3))

tree = KDTree(B)
distances = tree.query(A)[0]

字符串
我不知道A和B的实际取值范围，所以我只使用了(-100, 100)。这需要大约2.2秒的时间来运行。

蛮力将需要NxN距离计算。
更简单的方法是使用“桶”，即使用一些特殊的盒子。
构建盒子需要大约4N次计算。例如，第一遍确定每个数组的最大和最小X，Y，Z坐标。然后你把“空间”分成比如4x4x4=64个盒子，用于array_1，另外64个盒子用于array_2。
通过简单的顶点比较，您可以得到两个更接近的框（每个数组一个）。是的，这是蛮力，但数据量很小。
注意：如果盒子相交或有多个接近的对，那么你需要一个候选列表，更多的盒子，但仍然不是初始的大数据。
然后在数组上运行new pass。仅获取位于方框列表中的那些点。
最后，你可以运行一个蛮力与选定的点。
对于最小的情况，array_1的大多数框与array_2的一些框相交（或距离相同），然后只需将每个框分割成八个较小的框并再次检查。最坏的情况可能是（但很少）最坏的情况，即使用阵列的蛮力。

如果两个数组都是完全随机的数字，那么可能就没什么可做的了。如果每个数组对应于例如车辆轨迹，那么您应该查看Hausdorff距离和Fréchet度量。

是的，所以最好的办法就是把问题分成子问题，分而治之的算法;）所以给出了上面的伪代码，我们可以尝试利用dict & list理解来尝试它

import numpy as np
A = np.random.rand(1000000,3)
B = np.random.rand(1000000,3)

minDistance = {i: np.linalg.norm(B-A[i],axis=1).min() for i in range(len(A))}
minDistance = [minDistance[i] for i in range(len(A))]

print(minDistance)

字符串
通过使用dict和list理解，它们有助于优化时间和复杂性。希望能帮上忙
或者，您可以尝试基于循环的方法

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

A = np.random.rand(1000000,3)
B = np.random.rand(1000000,3)

minDist = np.zeros(len(A))

for i, coord in enumerate(A):
    distances = cdist(np.expand_dims(coord,axis=0),B)
    minDist[i] = np.min(distances)
print(minDist)

型