Python SciPy KDTree.query_ball_point用法及代碼示例

本文簡要介紹 python 語言中 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)#

找到點 x 的距離 r 內的所有點。

參數 ：：

x： 數組, 形狀元組 + (self.m,)

要搜索其鄰居的一個或多個點。

r： 數組，浮點數

要返回的點的半徑，必須廣播到 x 的長度。

p： 浮點數，可選

使用哪個 Minkowski p-norm。應在 [1, inf] 範圍內。如果可能發生溢出，有限的大 p 可能會導致 ValueError。

eps： 非負浮點數，可選

近似搜索。如果樹的最近點比 r / (1 + eps) 更遠，則不探索樹的分支，如果最遠點比 r * (1 + eps) 更近，則批量添加分支。

workers： 整數，可選

要為並行處理安排的作業數。如果給定 -1，則使用所有處理器。默認值：1。

return_sorted： 布爾型，可選

如果為 True，則對返回的索引進行排序，如果為 False，則不對它們進行排序。如果為 None，則不對單點查詢進行排序，而是對 multi-point 查詢進行排序，這是添加此選項之前的行為。

return_length： 布爾型，可選

返回半徑內的點數，而不是索引列表。

返回 ：：

results： 列表或列表數組

如果 x 是單點，則返回 x 的鄰居的索引列表。如果 x 是點數組，則返回包含鄰居列表的形狀元組的對象數組。

注意：

如果您有許多要查找其鄰居的點，則可以通過將它們放入 KDTree 並使用 query_ball_tree 來節省大量時間。

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]

查詢多個點並繪製結果：

>>> 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()