python scipy spatial.KDTree.query用法及代碼示例

用法：

KDTree.query(self, x, k=1, eps=0, p=2, distance_upper_bound=inf)

查詢kd-tree附近的鄰居

參數：

x ： array_like, last dimension self.m

要查詢的點數組。

k ： int, 可選參數

要返回的最近鄰點的數量。

eps ： nonnegative float, 可選參數

返回近似的最近鄰居；第k個返回值保證不超過(k + 1)乘以與第k個最近鄰居的距離。

p ： float, 1<=p<=infinity, 可選參數

使用哪個Minkowski p-norm。 1是sum-of-absolute值“Manhattan”距離2是通常的歐幾里得距離無窮大是maximum-coordinate-difference距離

distance_upper_bound ： nonnegative float, 可選參數

僅返回該距離內的鄰居。這用於修剪樹搜索，因此，如果要執行一 Series nearest-neighbor查詢，則可能有助於提供到最近點的最近鄰居的距離。

返回值：

d ：浮點數或浮點數數組

到最近鄰居的距離。如果x具有形狀元組+(self.m，)，則如果k為1，則d具有形狀元組；如果k大於1，則具有元組+(k，)。丟失的鄰居(例如，當k> n或給出distance_upper_bound時)以無限距離表示。如果k為None，則d為形狀元組​​的對象數組，其中包含距離列表。不論哪種情況，命中都按距離排序(最接近的優先)。

i ：整數或整數數組

self.data中鄰居的位置。我與d的形狀相同。

例子：

>>> from scipy import spatial >>> x, y = np.mgrid[0:5, 2:8] >>> tree = spatial.KDTree(list(zip(x.ravel(), y.ravel()))) >>> tree.data array([[0, 2], [0, 3], [0, 4], [0, 5], [0, 6], [0, 7], [1, 2], [1, 3], [1, 4], [1, 5], [1, 6], [1, 7], [2, 2], [2, 3], [2, 4], [2, 5], [2, 6], [2, 7], [3, 2], [3, 3], [3, 4], [3, 5], [3, 6], [3, 7], [4, 2], [4, 3], [4, 4], [4, 5], [4, 6], [4, 7]]) >>> pts = np.array([[0, 0], [2.1, 2.9]]) >>> tree.query(pts) (array([ 2. , 0.14142136]), array([ 0, 13]))
返回值是：離查詢點最近的點的距離和索引。(array([ 2. , 0.14142136])是距離，array([ 0, 13]))是索引。 >>> tree.query(pts[0]) (2.0, 0)】

返回值是：離查詢點最近的點的距離和索引。

 利用matlab代碼可視化：

clc;clear;close all;
dian=[];
for i=0:1:4
    for j=2:1:7
        dian=[dian;[i,j]];
    end
end
pts1=[0,0];
pts2=[2.1,2.9];
figure(1);hold on ;plot(dian(:,1),dian(:,2),'ro');
for k=1:size(dian,1)
    figure(1);hold on ;text(dian(k,1)-0.2,dian(k,2)-0.1,['序號:',num2str(k-1)],'color','k');
end
figure(1);hold on ;plot(pts1(:,1),pts1(:,2),'rp','markersize',11);
figure(1);hold on ;plot(pts2(:,1),pts2(:,2),'rp','markersize',11);

 

源碼：

scipy.spatial.KDTree.query的API實現見：[源代碼]