这是我的 previous 的延续问题。我现在有一个欧几里德空间中的排序坐标列表。我想以集群工作的方式对最接近的坐标进行平均，即整个集群被平均并返回欧几里得空间中的一个点。因此，例如下面的列表
a = [[ 42, 206],[ 45, 40],[ 45, 205],[ 46, 41],[ 46, 205],[ 47, 40],[ 47, 202],[ 48, 40],[ 48, 202],[ 49, 38]]
将返回 avg_coordinates = [[47.0, 39.8], [45.6, 204.0]]。这是通过平均前 5 个最近点(或簇)然后最后 5 个最近点来完成的。现在我正在使用梯度方法，我正在遍历所有坐标，只要梯度高于某个设定的阈值，我就会认为它是另一个点簇(因为列表已经排序)。但是当我在梯度公式 gradient = (y2-y1)/(x2-x1) 中有比分子更高的分母时，问题就出现了，它返回一个比阈值更小的值。所以从逻辑上讲我做错了。这样做有什么好的建议吗？请注意，我不想应用集群。
最佳答案
这是一种方法-
thresh = 100 # Threshold for splitting, heuristically chosen for given sample
# Lex-sort of coordinates
b = a[np.lexsort(a.T)]
# Interval indices that partition the clusters
diff_idx = np.flatnonzero(np.linalg.norm(b[1:] - b[:-1],axis=1) > thresh)+1
idx = np.hstack((0, diff_idx, b.shape[0]))
sums = np.add.reduceat(b, idx[:-1])
counts = idx[1:] - idx[:-1]
out = sums/counts.astype(float)[:,None]
示例输入、输出-
In [141]: a
Out[141]:
array([[ 42, 206],
[ 45, 40],
[ 45, 205],
[ 46, 41],
[ 46, 205],
[ 47, 40],
[ 47, 202],
[ 48, 40],
[ 48, 202],
[ 49, 38]])
In [142]: out
Out[142]:
array([[ 47. , 39.8],
[ 45.6, 204. ]])
关于python - Python中的平均最近坐标，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/41909541/