scipy.spatial.KDTree.

查询#

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

查询 KD 树以查找最近邻。

参数:
xarray_like，最后一维为 self.m

要查询的点数组。

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；返回的第 k 个值保证不超过实际第 k 个最近邻距离的 (1+eps) 倍。

p浮点数，1<=p<=infinity，可选

要使用的闵可夫斯基 p 范数。1 是绝对值之和距离（“曼哈顿”距离）。2 是通常的欧几里德距离。infinity 是最大坐标差距离。如果可能发生溢出，较大的有限 p 可能会导致 ValueError。

distance_upper_bound非负浮点数，可选

仅返回此距离内的邻居。这用于修剪树搜索，因此，如果要进行一系列最近邻查询，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人员数量。如果给出 -1，则使用所有 CPU 线程。默认值：1。

在版本 1.6.0 中添加。

返回:
dfloat 或浮点数数组

到最近邻的距离。如果 x 的形状为 tuple+(self.m,)，那么 d 的形状为 tuple+(k,)。当 k == 1 时，输出的最后维度被压缩。缺失的邻居用无限距离表示。命中按距离排序（最近的先）。

在版本 1.9.0 中更改: 以前，如果 k=None，那么 d 是形状为 tuple 的对象数组，包含距离列表。此行为已被删除，请改用 query_ball_point。

i整数或整数数组

每个邻居在 self.data 中的索引。 i 的形状与 d 相同。缺失的邻居用 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]]
本页内容