scipy.spatial.cKDTree.

sparse_distance_matrix

cKDTree.sparse_distance_matrix(self, other, max_distance, p=2.)

计算稀疏距离矩阵

计算两个 cKDTrees 之间的距离矩阵，将大于 max_distance 的任何距离设为零。

参数:

其他cKDTree

最大距离正浮点数

p浮点数, 1<=p<=无穷大

使用哪种 Minkowski p-范数。如果可能发生溢出，有限大的 p 可能会导致 ValueError。

输出类型字符串，可选

用于输出数据的容器。选项：’dok_matrix’、’coo_matrix’、’dict’ 或 ‘ndarray’。默认值：’dok_matrix’。

返回:

结果dok_matrix, coo_matrix, 字典或 ndarray

稀疏矩阵以“键值字典”格式表示结果。如果返回的是字典，键是 (i,j) 形式的索引元组。如果 output_type 是 ‘ndarray’，则返回一个包含字段 ‘i’、’j’ 和 ‘v’ 的记录数组。

示例

Try it in your browser!

你可以在两个 kd-树之间计算稀疏距离矩阵：

>>> import numpy as np
>>> from scipy.spatial import cKDTree
>>> rng = np.random.default_rng()
>>> points1 = rng.random((5, 2))
>>> points2 = rng.random((5, 2))
>>> kd_tree1 = cKDTree(points1)
>>> kd_tree2 = cKDTree(points2)
>>> sdm = kd_tree1.sparse_distance_matrix(kd_tree2, 0.3)
>>> sdm.toarray()
array([[0.        , 0.        , 0.12295571, 0.        , 0.        ],
   [0.        , 0.        , 0.        , 0.        , 0.        ],
   [0.28942611, 0.        , 0.        , 0.2333084 , 0.        ],
   [0.        , 0.        , 0.        , 0.        , 0.        ],
   [0.24617575, 0.29571802, 0.26836782, 0.        , 0.        ]])

你可以检查超过 max_distance 的距离是否为零：

>>> from scipy.spatial import distance_matrix
>>> distance_matrix(points1, points2)
array([[0.56906522, 0.39923701, 0.12295571, 0.8658745 , 0.79428925],
   [0.37327919, 0.7225693 , 0.87665969, 0.32580855, 0.75679479],
   [0.28942611, 0.30088013, 0.6395831 , 0.2333084 , 0.33630734],
   [0.31994999, 0.72658602, 0.71124834, 0.55396483, 0.90785663],
   [0.24617575, 0.29571802, 0.26836782, 0.57714465, 0.6473269 ]])

Go BackOpen In Tab