scipy.spatial.cKDTree.query_ball_point¶
- cKDTree.query_ball_point(self, x, r, p=2., eps=0, workers=1, return_sorted=None, return_length=False)¶
查找点x的距离r内的所有点。
- 参数
- xarray_like，Shape tuple+(self.m，)
要搜索其邻居的一个或多个点。
- rARRAY_LIKE，浮点
返回点的半径，应广播到x的长度。
- p浮动，可选
使用哪个Minkowski p-范数。应该在范围内 [1，信息] 。如果可能发生溢出，有限大的p可能会导致ValueError。
- eps非负浮点型，可选
近似搜索。如果树的分支最近的点比树的距离远，则不会探索树的分支
r / (1 + eps)，并且如果分支的最远点比最近的点更近，则会批量添加分支r * (1 + eps)。- workers整型，可选
要调度以进行并行处理的作业数。如果给定-1，则使用所有处理器。默认值：1。
在 1.6.0 版更改: “n_job”参数已重命名为“worker”。旧名称“n_job”已弃用，将停止在本网站1.8.0中工作。
- return_sorted布尔值，可选
如果为True，则对返回的索引进行排序；如果为False，则不对其进行排序。如果为None，则不对单点查询进行排序，但会对多点查询进行排序，这是添加此选项之前的行为。
1.2.0 新版功能.
- return_length: bool, optional
返回半径内的点数，而不是索引列表。。。添加的版本：：1.3.0
- 退货
- results列表或列表数组
如果 x 是单个点，则返回 x 。如果 x 是点的数组，返回包含邻居列表的形状元组的对象数组。
注意事项
如果您有许多要查找其邻居的点，则通过将它们放入cKDTree并使用query_ball_tree可以节省大量时间。
示例
>>> from scipy import spatial >>> x, y = np.mgrid[0:4, 0:4] >>> points = np.c_[x.ravel(), y.ravel()] >>> tree = spatial.cKDTree(points) >>> tree.query_ball_point([2, 0], 1) [4, 8, 9, 12]
查询多个点并绘制结果：
>>> 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()
