scipy.spatial.KDTree.

sparse_distance_matrix#

KDTree.sparse_distance_matrix(other, max_distance, p=2.0, output_type='dok_matrix')[source]#

计算稀疏距离矩阵。

计算两个 KDTree 之间的距离矩阵，将大于 max_distance 的任何距离都设为零。

参数:
otherKDTree
max_distance正浮点数
p浮点数，1<=p<=infinity

要使用的闵可夫斯基 p 范数。如果可能发生溢出，有限大的 p 可能会导致 ValueError。

output_type字符串，可选

用于输出数据的容器。选项：“dok_matrix”、”coo_matrix”、”dict” 或 “ndarray”。默认值：“dok_matrix”。

在版本 1.6.0 中添加。

返回值:
resultdok_matrix、coo_matrix、dict 或 ndarray

以“键值字典”格式表示结果的稀疏矩阵。如果返回 dict，则键是索引的 (i,j) 元组。如果 output_type 为 'ndarray'，则返回具有字段 'i'、'j' 和 'v' 的记录数组，

示例

您可以计算两个 kd 树之间的稀疏距离矩阵

>>> import numpy as np
>>> from scipy.spatial import KDTree
>>> rng = np.random.default_rng()
>>> points1 = rng.random((5, 2))
>>> points2 = rng.random((5, 2))
>>> kd_tree1 = KDTree(points1)
>>> kd_tree2 = KDTree(points2)
>>> sdm = kd_tree1.sparse_distance_matrix(kd_tree2, 0.3)
>>> sdm.toarray()
array([[0.        , 0.        , 0.12295571, 0.        , 0.        ],
   [0.        , 0.        , 0.        , 0.        , 0.        ],
   [0.28942611, 0.        , 0.        , 0.2333084 , 0.        ],
   [0.        , 0.        , 0.        , 0.        , 0.        ],
   [0.24617575, 0.29571802, 0.26836782, 0.        , 0.        ]])

您可以检查大于 max_distance 的距离是否为零

>>> from scipy.spatial import distance_matrix
>>> distance_matrix(points1, points2)
array([[0.56906522, 0.39923701, 0.12295571, 0.8658745 , 0.79428925],
   [0.37327919, 0.7225693 , 0.87665969, 0.32580855, 0.75679479],
   [0.28942611, 0.30088013, 0.6395831 , 0.2333084 , 0.33630734],
   [0.31994999, 0.72658602, 0.71124834, 0.55396483, 0.90785663],
   [0.24617575, 0.29571802, 0.26836782, 0.57714465, 0.6473269 ]])
本页内容