Python sklearn NearestNeighbors.radius_neighbors用法及代码示例

本文简要介绍python语言中 sklearn.neighbors.NearestNeighbors.radius_neighbors 的用法。

用法:

radius_neighbors(X=None, radius=None, return_distance=True, sort_results=False)

在一个或多个点的给定半径内找到邻居。

从位于查询数组点周围的大小为radius 的球中的数据集中返回每个点的索引和距离。位于边界上的点包含在结果中。

结果点不一定按到查询点的距离排序。

参数：

X：(n_samples, n_features) 的类似数组，默认=None

查询点或点。如果未提供，则返回每个索引点的邻居。在这种情况下，查询点不被认为是它自己的邻居。

radius：浮点数，默认=无

限制邻居返回的距离。默认值是传递给构造函数的值。

return_distance：布尔，默认=真

是否返回距离。

sort_results：布尔，默认=假

如果为 True，则距离和索引将在返回之前按增加的距离排序。如果为 False，则可能不会对结果进行排序。如果 return_distance=False ，设置 sort_results=True 将导致错误。

返回：

neigh_dist：ndarray 形状 (n_samples,) 的数组

表示到每个点的距离的数组，仅在 return_distance=True 时出现。距离值根据metric 构造函数参数计算。

neigh_ind：ndarray 形状 (n_samples,) 的数组

位于查询点周围大小为 radius 的球内的人口矩阵中近似最近点的索引数组。

注意：

由于每个点的邻居数不一定相等，因此多个查询点的结果无法适合标准数据数组。为了提高效率，radius_neighbors 返回对象数组，其中每个对象都是索引或距离的一维数组。

例子：

在下面的示例中，我们从表示数据集的数组构造一个 NeighborsClassifier 类，并询问谁是最接近 [1, 1, 1] 的点：

>>> import numpy as np
>>> samples = [[0., 0., 0.], [0., .5, 0.], [1., 1., .5]]
>>> from sklearn.neighbors import NearestNeighbors
>>> neigh = NearestNeighbors(radius=1.6)
>>> neigh.fit(samples)
NearestNeighbors(radius=1.6)
>>> rng = neigh.radius_neighbors([[1., 1., 1.]])
>>> print(np.asarray(rng[0][0]))
[1.5 0.5]
>>> print(np.asarray(rng[1][0]))
[1 2]

返回的第一个数组包含到所有小于 1.6 的点的距离，而返回的第二个数组包含它们的索引。一般来说，可以同时查询多个点。