sparse_distance_matrix#
- cKDTree.sparse_distance_matrix(self, other, max_distance, p=2.)#
Вычислить разреженную матрицу расстояний
Вычисляет матрицу расстояний между двумя cKDTrees, оставляя нулевыми все расстояния больше max_distance.
- Параметры:
- othercKDTree
- max_distanceположительное число с плавающей точкой
- pfloat, 1<=p<=infinity
Какую норму Минковского p использовать. Конечное большое p может вызвать ValueError, если возможно переполнение.
- output_typestring, optional
Какой контейнер использовать для выходных данных. Варианты: ‘dok_matrix’, ‘coo_matrix’, ‘dict’ или ‘ndarray’. По умолчанию: ‘dok_matrix’.
- Возвращает:
- результатdok_matrix, coo_matrix, dict или ndarray
Разреженная матрица, представляющая результаты в формате “словарь ключей”. Если возвращается словарь, ключами являются кортежи индексов (i,j). Если output_type равен ‘ndarray’, возвращается запись массива с полями ‘i’, ‘j’, и ‘v’,
Примеры
Вы можете вычислить разреженную матрицу расстояний между двумя kd-деревьями:
>>> 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. ]])
Вы можете проверить расстояния выше max_distance являются нулями:
>>> 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 ]])