Python SciPy KDTree.query_ball_point用法及代码示例

本文简要介绍 python 语言中 scipy.spatial.KDTree.query_ball_point 的用法。

用法:

KDTree.query_ball_point(x, r, p=2.0, eps=0, workers=1, return_sorted=None, return_length=False)#

找到点 x 的距离 r 内的所有点。

参数 ：：

x： 数组, 形状元组 + (self.m,)

要搜索其邻居的一个或多个点。

r： 数组，浮点数

要返回的点的半径，必须广播到 x 的长度。

p： 浮点数，可选

使用哪个 Minkowski p-norm。应在 [1, inf] 范围内。如果可能发生溢出，有限的大 p 可能会导致 ValueError。

eps： 非负浮点数，可选

近似搜索。如果树的最近点比 r / (1 + eps) 更远，则不探索树的分支，如果最远点比 r * (1 + eps) 更近，则批量添加分支。

workers： 整数，可选

要为并行处理安排的作业数。如果给定 -1，则使用所有处理器。默认值：1。

return_sorted： 布尔型，可选

如果为 True，则对返回的索引进行排序，如果为 False，则不对它们进行排序。如果为 None，则不对单点查询进行排序，而是对 multi-point 查询进行排序，这是添加此选项之前的行为。

return_length： 布尔型，可选

返回半径内的点数，而不是索引列表。

返回 ：：

results： 列表或列表数组

如果 x 是单点，则返回 x 的邻居的索引列表。如果 x 是点数组，则返回包含邻居列表的形状元组的对象数组。

注意：

如果您有许多要查找其邻居的点，则可以通过将它们放入 KDTree 并使用 query_ball_tree 来节省大量时间。

例子：

>>> import numpy as np
>>> from scipy import spatial
>>> x, y = np.mgrid[0:5, 0:5]
>>> points = np.c_[x.ravel(), y.ravel()]
>>> tree = spatial.KDTree(points)
>>> sorted(tree.query_ball_point([2, 0], 1))
[5, 10, 11, 15]

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()