本文介绍一种基于元素间比值总和的数组相似性度量方法，通过计算目标数组与候选数组各对应位置元素的比值之和，选取总和最接近理论最大值（即数组长度）的数组索引作为“最接近”结果。
在实际开发中，常需从一组候选数组中找出与给定“主数组”最相似的一个——例如在信号匹配、特征向量检索或模板比对等场景中。但“最接近”需明确定义：本文采用归一化比例相似性（ratio-based similarity） 作为核心指标：若两个等长数组完全相同，则其逐元素比值均为 1，比值总和即等于数组长度；差异越大，比值总和越偏离该值。因此，我们以比值总和最接近数组长度为判据，实现高效、可解释的最近邻查找。
以下是完整实现（含健壮性增强）：
function findClosestArray(target, candidates) {
if (!Array.isArray(target) || candidates.length === 0) {
throw new Error('Invalid input: target must be an array, candidates must be a non-empty array of arrays');
}
// 辅助函数：计算两等长数组的比值总和（target[i] / candidate[i]）
const sumRatios = (a, b) => {
if (a.length !== b.length || a.length === 0) return -Infinity; // 长度不匹配视为无效
return a.reduce((sum, val, i) => sum + val / b[i], 0);
};
// 计算每个候选数组的相似度得分（越接近 target.length 越相似）
const scores = candidates.map(candidate => ({
index: candidates.indexOf(candidate),
score: sumRatios(target, candidate)
})).filter(item => item.score > 0); // 过滤掉因除零或长度不等导致的无效分
if (scores.length === 0) {
throw new Error('No valid candidate array found: all have mismatched length or contain zero/division-by-zero');
}
// 找到 score 最接近 target.length 的索引（最小绝对差）
const idealScore = target.length;
const bestMatch = scores.reduce((best, curr) => {
const diff = Math.abs(curr.score - idealScore);
return diff < Math.abs(best.score - idealScore) ? curr : best;
});
return bestMatch.index;
}
// 示例使用
const mainArr = [2237, 2192, 2234, 2223, 2196, 2279, 2160, 2123]; // 注意：原问题中 mainArr 长度为 9，但示例 candidates 均为 8 元素 → 此处统一为 8 以保证可比性
const otherArrays = [
[1757, 1650, 1757, 1774, 1755, 1615, 1591, 1550],
[1678, 1545, 1742, 1605, 1662, 1629, 1678, 1601]
];
console.log(findClosestArray(mainArr, otherArrays)); // 输出：0 或 1，取决于哪组比值总和更接近 8✅ 关键设计说明：
- 长度敏感性：函数默认要求 target 与每个 candidate 长度严格一致；若需支持变长数组，可扩展为插值对齐、滑动窗口匹配或余弦相似度等更高级策略。
- 数值鲁棒性：自动过滤含 0 元素的候选数组（避免除零），并跳过长度不匹配项。
- 语义清晰：score ≈ target.length 直观反映“整体比例一致性”，比单纯欧氏距离更适应尺度变化场景（如不同传感器量纲）。
⚠️ 注意事项：
- 若所有候选数组均含零值或长度不匹配，函数将抛出明确错误，便于调试；
- 该方法假设数组元素均为正数（比值有意义）；若含负数或零，建议改用曼哈顿距离或余弦相似度：
// 替代方案：余弦相似度（适用于含负数/零的向量） const cosineSimilarity = (a, b) => { const dot = a.reduce((s, v, i) => s + v * b[i], 0); const normA = Math.sqrt(a.reduce((s, v) => s + v * v, 0)); const normB = Math.sqrt(b.reduce((s, v) => s + v * v, 0)); return normA && normB ? dot / (normA * normB) : 0; };
综上，findClosestArray 提供了一种轻量、透明且易于调优的数组相似性判定方案，可根据实际数据特性灵活选用距离度量模型。
