scipy.spatial.KDTree.
query#
- KDTree.query(x, k=1, eps=0, p=2, distance_upper_bound=inf, workers=1)[source]#
查询 kd-tree 以查找最近邻居。
- 参数:
- xarray_like,最后一个维度 self.m
要查询的点数组。
- kint 或 Sequence[int],可选
要返回的最近邻居的数量,或要返回的第 k 个最近邻居的列表,从 1 开始。
- eps非负浮点数,可选
返回近似最近邻居;保证返回的第 k 个值不超过到实际第 k 个最近邻居的距离的 (1+eps) 倍。
- pfloat, 1<=p<=infinity, optional
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。 如果可能发生溢出,则较大的有限 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,因此如果您正在进行一系列最近邻查询,则可能有助于提供到最近点的最近邻居的距离。
- workersint,可选
用于并行处理的 worker 数量。 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。
- 返回值:
- dfloat 或浮点数组
到最近邻居的距离。 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会被压缩。 丢失的邻居用无限距离表示。 命中按距离排序(最近的优先)。1.9.0 版本已更改:以前如果
k=None
,则 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
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()])
要查询最近邻居并返回压缩结果,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]
要查询最近邻居并返回未压缩结果,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居并返回未压缩结果,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居,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]]