Python SciPy cKDTree.sparse_distance_matrix用法及代碼示例

本文簡要介紹 python 語言中 scipy.spatial.cKDTree.sparse_distance_matrix 的用法。

用法:

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

計算稀疏距離矩陣

計算兩個 cKDTree 之間的距離矩陣，任何大於 max_distance 的距離都為零。

參數 ：：

other： cKD樹

max_distance： 正浮點數

p： 浮點數，1<=p<=無窮大

使用哪個 Minkowski p-norm。如果可能發生溢出，有限的大 p 可能會導致 ValueError。

output_type： 字符串，可選

使用哪個容器來輸出數據。選項：‘dok_matrix’, ‘coo_matrix’、‘dict’ 或‘ndarray’。默認值：‘dok_matrix’。

返回 ：：

result： dok_matrix、coo_matrix、dict 或 ndarray

表示結果的稀疏矩陣，采用 “dictionary of keys” 格式。如果返回字典，則鍵是索引的 (i,j) 元組。如果output_type是‘ndarray’，包含字段‘i’, ‘j’的記錄數組，並且返回‘v’，

例子：

您可以計算兩個kd-trees 之間的稀疏距離矩陣：

>>> 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.        ]])

您可以檢查 max_distance 以上的距離是否為零：

>>> 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 ]])