scipy.spatial.cKDTree.

query_ball_tree

cKDTree.query_ball_tree(self, other, r, p=2., eps=0)

查找self和other之间所有距离小于等于r的点对。

参数:

othercKDTree 实例

包含要搜索的点的树。

rfloat

最大距离，必须为正数。

pfloat，可选

使用哪个闵可夫斯基范数。 p必须满足条件1 <= p <= infinity。如果可能发生溢出，有限大的 p 可能会导致 ValueError。

epsfloat，可选

近似搜索。如果树的最近点距离大于r/(1+eps)，则不会探索树的分支，如果树的最远点距离小于r * (1+eps)，则会批量添加分支。eps必须是非负数。

返回值:

results列表列表

对于这棵树的每个元素self.data[i]，results[i]是它在other.data中的邻居索引列表。

示例

在您的浏览器中尝试一下！

您可以搜索两个 kd-tree 之间所有距离在一定范围内的点对

>>> import matplotlib.pyplot as plt
>>> import numpy as np
>>> from scipy.spatial import cKDTree
>>> rng = np.random.default_rng()
>>> points1 = rng.random((15, 2))
>>> points2 = rng.random((15, 2))
>>> plt.figure(figsize=(6, 6))
>>> plt.plot(points1[:, 0], points1[:, 1], "xk", markersize=14)
>>> plt.plot(points2[:, 0], points2[:, 1], "og", markersize=14)
>>> kd_tree1 = cKDTree(points1)
>>> kd_tree2 = cKDTree(points2)
>>> indexes = kd_tree1.query_ball_tree(kd_tree2, r=0.2)
>>> for i in range(len(indexes)):
...     for j in indexes[i]:
...         plt.plot([points1[i, 0], points2[j, 0]],
...             [points1[i, 1], points2[j, 1]], "-r")
>>> plt.show()

返回在新标签页中打开