scipy.spatial.KDTree.

query_ball_point

KDTree.query_ball_point(x, r, p=2.0, eps=0, workers=1, return_sorted=None, return_length=False)

查找距离点(s) x 距离 r 以内的所有点。

参数:

xarray_like，形状元组 + (self.m,)

要查找其邻居的点或点。

rarray_like，float

要返回的点的半径，必须广播到 x 的长度。

pfloat，可选

要使用的 Minkowski p 范数。应在范围 [1, inf] 内。如果可能发生溢出，有限的大 p 可能导致 ValueError。

eps非负浮点数，可选

近似搜索。如果树的最近点比 r / (1 + eps) 远，则不探索树的分支，如果树的最远点比 r * (1 + eps) 近，则以批量方式添加分支。

workersint，可选

要为并行处理安排的作业数。如果给出 -1，则使用所有处理器。默认值：1。

在版本 1.6.0 中添加。

return_sortedbool，可选

如果为 True，则对返回的索引进行排序，如果为 False，则不对其进行排序。如果为 None，则不对单点查询进行排序，但对多点查询进行排序，这是在添加此选项之前的方式。

在版本 1.6.0 中添加。

return_lengthbool，可选

返回半径内的点数，而不是索引列表。

在版本 1.6.0 中添加。

返回值:

results列表或列表数组

如果 x 是一个点，则返回 x 的邻居的索引列表。如果 x 是一个点数组，则返回一个形状元组的包含邻居列表的对象数组。

注释

如果您有很多要查找其邻居的点，您可以在 KDTree 中放置这些点，并使用 query_ball_tree，这可以节省大量时间。

示例

在您的浏览器中尝试！

>>> import numpy as np
>>> from scipy import spatial
>>> x, y = np.mgrid[0:5, 0:5]
>>> points = np.c_[x.ravel(), y.ravel()]
>>> tree = spatial.KDTree(points)
>>> sorted(tree.query_ball_point([2, 0], 1))
[5, 10, 11, 15]

查询多个点并绘制结果

>>> import matplotlib.pyplot as plt
>>> points = np.asarray(points)
>>> plt.plot(points[:,0], points[:,1], '.')
>>> for results in tree.query_ball_point(([2, 0], [3, 3]), 1):
...     nearby_points = points[results]
...     plt.plot(nearby_points[:,0], nearby_points[:,1], 'o')
>>> plt.margins(0.1, 0.1)
>>> plt.show()

返回在新标签页中打开