scipy.spatial.cKDTree.

查询#

cKDTree.query(self, x, k=1, eps=0, p=2, distance_upper_bound=np.inf, workers=1)#

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。
k整数列表或整数: 要返回的第 k 个最近邻的列表。如果 k 是一个整数，它将被视为列表 [1, … k] (range(1, k+1))。请注意，计数从 1 开始。
eps非负浮点数: 返回近似最近邻；返回的第 k 个值保证不超过到实际第 k 个最近邻距离的 (1+eps) 倍。
p浮点数，1<=p<=infinity: 要使用的闵可夫斯基 p 范数。1 是绝对值之和的“曼哈顿”距离，2 是通常的欧几里得距离，无穷大是最大坐标差距离。如果可能发生溢出，有限大的 p 可能会导致 ValueError。
distance_upper_bound非负浮点数: 仅返回在该距离内的邻居。这用于修剪树搜索，因此，如果您要进行一系列最近邻查询，则提供最近点的最近邻的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。

版本 1.9.0 中的更改：“n_jobs” 参数已重命名为“workers”。旧名称“n_jobs”在 SciPy 1.6.0 中已弃用，并在 SciPy 1.9.0 中已移除。

返回值：:

d浮点数数组: 到最近邻的距离。如果 x 的形状为 tuple+(self.m,)，则 d 的形状为 tuple+(k,)。当 k == 1 时，输出的最后一维将被压缩。缺少的邻居用无限距离表示。
iint 类型的 ndarray: 每个邻居在 self.data 中的索引。如果 x 的形状为 tuple+(self.m,)，则 i 的形状为 tuple+(k,)。当 k == 1 时，输出的最后一维将被压缩。缺少的邻居用 self.n 表示。

注意事项

如果 KD 树是周期性的，则位置 x 将被包裹到盒子中。

当输入 k 是一个列表时，会执行对 arange(max(k)) 的查询，但只保留存储 k 的请求值的列。这是以一种减少内存使用的方式实现的。

示例

>>> import numpy as np
>>> from scipy.spatial import cKDTree
>>> x, y = np.mgrid[0:5, 2:8]
>>> tree = cKDTree(np.c_[x.ravel(), y.ravel()])

要查询最近的邻居并返回压缩的结果，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]

要查询最近的邻居并返回未压缩的结果，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]]

要查询第二最近的邻居并返回未压缩的结果，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的邻居，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]]