scipy.spatial.cKDTree.
query_ball_point#
- cKDTree.query_ball_point(self, x, r, p=2., eps=0, workers=1, return_sorted=None, return_length=False)#
查找点 x 距离 r 内的所有点。
- 参数:
- xarray_like, 形状为 tuple + (self.m,)
要搜索邻居的点或多个点。
- rarray_like, float
返回的点的半径，应广播到 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。如果发生溢出，有限的大 p 可能会导致 ValueError。
- eps非负 float，可选
近似搜索。如果树的分支的最近点比
r / (1 + eps)更远，则不会探索这些分支；如果它们的最远点比r * (1 + eps)更近，则会批量添加这些分支。- 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。
在 1.9.0 版本中更改：参数“n_jobs”已重命名为“workers”。旧名称“n_jobs”已在 SciPy 1.6.0 中弃用，并在 SciPy 1.9.0 中删除。
- 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，这是添加此选项之前的行为。
在 1.2.0 版本中添加。
- return_length: bool，可选
返回半径内的点数，而不是索引列表。.. versionadded:: 1.3.0
- 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。
备注
如果您有很多想要查找邻居的点，则可以通过将它们放入 cKDTree 并使用 query_ball_tree 来节省大量时间。
示例
>>> import numpy as np >>> from scipy import spatial >>> x, y = np.mgrid[0:4, 0:4] >>> points = np.c_[x.ravel(), y.ravel()] >>> tree = spatial.cKDTree(points) >>> tree.query_ball_point([2, 0], 1) [4, 8, 9, 12]
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()
