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 x 距离 r 内的所有点。

参数:

xarray_like, 形状为 tuple + (self.m,)

要搜索邻居的点或点集。

rarray_like, float

要返回的点的半径，必须广播到 x 的长度。

pfloat, 可选

要使用的闵可夫斯基 p-范数。应在 [1, inf] 范围内。如果可能发生溢出，有限的大 p 可能会导致 ValueError。

eps非负浮点数, 可选

近似搜索。如果树的分支最近的点比 r / (1 + eps) 更远，则不探索这些分支；如果它们最远的点比 r * (1 + eps) 更近，则批量添加这些分支。

workersint, 可选

要为并行处理调度的作业数。如果给定 -1，则使用所有处理器。默认值：1。

1.6.0 版本新增。

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，但会对多点查询进行排序，这是添加此选项之前的行为。

1.6.0 版本新增。

return_lengthbool, 可选

返回半径内的点数，而不是索引列表。

1.6.0 版本新增。

返回:

results列表或列表数组

如果 x 是单个点，则返回 x 的邻居的索引列表。如果 x 是点数组，则返回一个形状为 tuple 的对象数组，其中包含邻居列表。

注释

如果你有很多想要找到邻居的点，你可以通过将它们放入 KDTree 并使用 query_ball_tree 来节省大量时间。

示例

在你的浏览器中尝试一下！

>>> 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