scipy.spatial.KDTree.

query#

KDTree.query(x, k=1, eps=0, p=2, distance_upper_bound=inf, workers=1)[源代码]#

查询 kd 树以查找最近邻。

参数:

xarray_like，最后一个维度为 self.m: 要查询的点的数组。
kint 或 Sequence[int]，可选: 要返回的最近邻的数量，或要返回的第 k 个最近邻的列表，从 1 开始。
eps非负浮点数，可选: 返回近似最近邻；保证返回的第 k 个值不大于真实第 k 个最近邻的距离的 (1+eps) 倍。
p浮点数，1<=p<=infinity，可选: 要使用的 Minkowski p 范数。 1 是绝对值之和距离（“曼哈顿”距离）。2 是通常的欧几里得距离。infinity 是最大坐标差距离。如果发生溢出，较大的有限 p 可能会导致 ValueError。
distance_upper_bound非负浮点数，可选: 仅返回在此距离内的邻居。这用于修剪树搜索，因此如果您要进行一系列最近邻查询，则提供最近点的最近邻距离可能会有所帮助。
workersint，可选: 用于并行处理的工作线程数。如果给定 -1，则使用所有 CPU 线程。默认值：1。

1.6.0 版本中新增。

返回:

d浮点数或浮点数数组: 到最近邻的距离。如果 x 的形状为 tuple+(self.m,)，则 d 的形状为 tuple+(k,)。当 k == 1 时，输出的最后一个维度被压缩。丢失的邻居用无限距离表示。命中结果按距离排序（最近的优先）。

在 1.9.0 版本中更改：以前如果 k=None，则 d 是一个形状为 tuple 的对象数组，包含距离列表。此行为已删除，请改用query_ball_point。
i整数或整数数组: self.data 中每个邻居的索引。i 的形状与 d 相同。丢失的邻居用 self.n 表示。

示例

>>> import numpy as np
>>> from scipy.spatial import KDTree
>>> x, y = np.mgrid[0:5, 2:8]
>>> tree = KDTree(np.c_[x.ravel(), y.ravel()])

要查询最近邻并返回压缩结果，请使用

>>> dd, ii = tree.query([[0, 0], [2.2, 2.9]], k=1)
>>> print(dd, ii, sep='\n')
[2.         0.2236068]
[ 0 13]

要查询最近邻并返回未压缩结果，请使用

>>> dd, ii = tree.query([[0, 0], [2.2, 2.9]], k=[1])
>>> print(dd, ii, sep='\n')
[[2.        ]
 [0.2236068]]
[[ 0]
 [13]]

要查询第二个最近邻并返回未压缩结果，请使用

>>> dd, ii = tree.query([[0, 0], [2.2, 2.9]], k=[2])
>>> print(dd, ii, sep='\n')
[[2.23606798]
 [0.80622577]]
[[ 6]
 [19]]

要查询第一个和第二个最近邻，请使用

>>> dd, ii = tree.query([[0, 0], [2.2, 2.9]], k=2)
>>> print(dd, ii, sep='\n')
[[2.         2.23606798]
 [0.2236068  0.80622577]]
[[ 0  6]
 [13 19]]

或者，更具体地说

>>> dd, ii = tree.query([[0, 0], [2.2, 2.9]], k=[1, 2])
>>> print(dd, ii, sep='\n')
[[2.         2.23606798]
 [0.2236068  0.80622577]]
[[ 0  6]
 [13 19]]