scipy.spatial.KDTree.

запрос#

KDTree.запрос(x, k=1, eps=0, p=2, distance_upper_bound=inf, workers=1)[источник]#

Запросите kd-дерево для поиска ближайших соседей.

Параметры:

xarray_like, последнее измерение self.m: Массив точек для запроса.
kint или Sequence[int], опционально: Либо количество ближайших соседей для возврата, либо список k-х ближайших соседей для возврата, начиная с 1.
epsнеотрицательное число с плавающей точкой, опционально: Возвращает приближённых ближайших соседей; гарантируется, что k-е возвращаемое значение находится не дальше, чем в (1+eps) раз от расстояния до реального k-го ближайшего соседа.
pfloat, 1<=p<=infinity, опционально: Какую норму Минковского p использовать. 1 — расстояние суммы абсолютных значений («манхэттенское» расстояние). 2 — обычное евклидово расстояние. infinity — расстояние максимальной разности координат. Большое конечное p может вызвать ValueError, если возможно переполнение.
distance_upper_boundнеотрицательное число с плавающей точкой, опционально: Возвращать только соседей в пределах этого расстояния. Это используется для обрезки поисков по дереву, поэтому если вы выполняете серию запросов ближайших соседей, может помочь указать расстояние до ближайшего соседа последней точки.
workersint, необязательный: Количество рабочих процессов для параллельной обработки. Если задано -1, используются все потоки CPU. По умолчанию: 1.

Добавлено в версии 1.6.0.

Возвращает:

dfloat или массив floats: Расстояния до ближайших соседей. Если x имеет форму tuple+(self.m,), затем d имеет форму tuple+(k,). Когда k == 1, последнее измерение вывода сжимается. Отсутствующие соседи обозначаются бесконечными расстояниями. Попадания сортируются по расстоянию (сначала ближайшие).

Изменено в версии 1.9.0: Ранее если k=None, затем d был массивом объектов формы tuple, содержащий списки расстояний. Это поведение было удалено, используйте query_ball_point вместо этого.
iцелое число или массив целых чисел: Индекс каждого соседа в self.data. i имеет ту же форму, что и d. Отсутствующие соседи обозначаются self.n.

Примеры

>>> import numpy as np
>>> from scipy.spatial import KDTree
>>> x, y = np.mgrid[0:5, 2:8]
>>> tree = KDTree(np.c_[x.ravel(), y.ravel()])

Для запроса ближайших соседей и возврата сжатого результата используйте

>>> dd, ii = tree.query([[0, 0], [2.2, 2.9]], k=1)
>>> print(dd, ii, sep='\n')
[2.         0.2236068]
[ 0 13]

Для запроса ближайших соседей и возврата несжатого результата используйте

>>> dd, ii = tree.query([[0, 0], [2.2, 2.9]], k=[1])
>>> print(dd, ii, sep='\n')
[[2.        ]
 [0.2236068]]
[[ 0]
 [13]]

Чтобы запросить вторых ближайших соседей и вернуть несжатый результат, используйте

>>> dd, ii = tree.query([[0, 0], [2.2, 2.9]], k=[2])
>>> print(dd, ii, sep='\n')
[[2.23606798]
 [0.80622577]]
[[ 6]
 [19]]

Для запроса первого и второго ближайших соседей используйте

>>> dd, ii = tree.query([[0, 0], [2.2, 2.9]], k=2)
>>> print(dd, ii, sep='\n')
[[2.         2.23606798]
 [0.2236068  0.80622577]]
[[ 0  6]
 [13 19]]

или, будьте более конкретны

>>> dd, ii = tree.query([[0, 0], [2.2, 2.9]], k=[1, 2])
>>> print(dd, ii, sep='\n')
[[2.         2.23606798]
 [0.2236068  0.80622577]]
[[ 0  6]
 [13 19]]