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)#
查找距离点 x 半径 r 内的所有点。
- 参数:
- xarray_like, shape tuple + (self.m,)
要查找其邻居的点或多个点。
- rarray_like, float
要返回的点的半径，应广播到 x 的长度。
- pfloat, 可选
要使用的 Minkowski p 范数。应在 [1, inf] 范围内。如果可能发生溢出，有限的 p 可能导致 ValueError。
- eps非负 float, 可选
近似搜索。如果树的最近点比
r / (1 + eps)远，则不会探索树的各个分支，并且如果树的最远点比r * (1 + eps)近，则会批量添加分支。- workersint, 可选
要为并行处理安排的作业数量。如果给出 -1，则使用所有处理器。默认值：1。
版本 1.9.0 中的变更: “n_jobs” 参数已重命名为 “workers”。“n_jobs” 的旧名称在 SciPy 1.6.0 中已弃用，并在 SciPy 1.9.0 中已移除。
- return_sortedbool, 可选
如果为 True 则对返回的索引进行排序，如果为 False 则不进行排序。如果为 None，则不排序单个点查询，但对多点查询进行排序，这是添加此选项之前 的行为。
在版本 1.2.0 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
- 返回值:
- resultslist 或 list 的数组
如果 x 是一个点，则返回 x 的邻居索引列表。如果 x 是一个点的数组，则返回形状为元组的对象数组，其中包含邻居列表。
备注
如果您有很多点要查找它们的邻居，您可以将它们放入 cKDTree 中并使用 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()
