scipy.spatial.KDTree.

查询#

KDTree.query(x, k=1, eps=0, p=2, distance_upper_bound=inf, workers=1)[源代码][源代码]#

查询 kd-树以获取最近邻。

参数:

xarray_like, 最后一个维度 self.m: 要查询的点的数组。
kint 或 Sequence[int]，可选: 返回的最近邻的数量，或从1开始返回的第k个最近邻的列表。
eps非负浮点数，可选: 返回近似最近邻；第k个返回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<=无穷大, 可选: 使用哪种 Minkowski p-范数。1 是绝对值和距离（“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，较大的有限 p 可能会导致 ValueError。
distance_upper_bound非负浮点数，可选: 仅返回在此距离内的邻居。这用于修剪树搜索，因此如果您正在进行一系列最近邻查询，提供最近点的最近邻居的距离可能会有所帮助。
工人int, 可选: 用于并行处理的工人数。如果给定 -1，则使用所有 CPU 线程。默认值：1。

Added in version 1.6.0.

返回:

d浮点数或浮点数数组: 到最近邻居的距离。如果 x 的形状是 tuple+(self.m,)，那么 d 的形状是 tuple+(k,)。当 k == 1 时，输出的最后一个维度被压缩。缺失的邻居用无限距离表示。命中按距离排序（最近的优先）。

在 1.9.0 版本发生变更: 之前如果 k=None，那么 d 是一个形状为 tuple 的对象数组，包含距离列表。此行为已被移除，请改用 query_ball_point。
i整数或整数数组: self.data 中每个邻居的索引。i 与 d 的形状相同。缺失的邻居用 self.n 表示。

示例

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

要查询最近的邻居并返回压缩结果，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]]

要查询第二近邻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]]

要查询第一和第二近邻，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]]