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。
k整数列表或整数: 要返回的第 k 个最近邻的列表。如果 k 是整数，则将其视为 [1, … k]（range(1, k+1)）。注意，计数从 1 开始。
eps非负浮点数: 返回近似的最近邻；第 k 个返回的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: 使用哪种 Minkowski p-范数。1 是绝对值和的“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，有限的大 p 可能会导致 ValueError。
distance_upper_bound非负浮点数: 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，可能有助于提供最近点的最近邻居的距离。
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。

在 1.9.0 版本发生变更: 参数“n_jobs”已重命名为“workers”。旧名称“n_jobs”在SciPy 1.6.0中已被弃用，并在SciPy 1.9.0中被移除。

返回:

d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会被压缩。缺失的邻居用无限距离表示。
iint 的 ndarray: 每个邻居在 self.data 中的索引。如果 x 的形状是 tuple+(self.m,)，那么 i 的形状是 tuple+(k,)。当 k == 1 时，输出的最后一个维度会被压缩。缺失的邻居用 self.n 表示。

注释

如果KD-Tree是周期性的，位置 x 会被包装到盒子中。

当输入 k 是一个列表时，会执行一个 arange(max(k)) 的查询，但只会保留存储了 k 请求值的列。这种方式实现了减少内存使用的目的。

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]]