假设这是我正在实现的简单 KD 树算法
def Test():
features = np.random.random((10, 2))
X = np.array(features[0:2])
print(X)
tree = KDTree(features, leaf_size=40)
indic = tree.query_radius(X, r= 0.1)
counter = 0
for i in indic:
a = (features[i])
np.savetxt('file{}.txt'.format(counter), a, fmt='%s')
counter += 1
yield i
tree = Test()
[X for X in tree]
在这里,我为每个目标位置的每个邻居元素保存文本文件,这工作得很好。
是否有任何技巧可以让我对每个目标点使用不同的搜索条件,而无需一次又一次创建单独的树查询?
例如,假设我想使用一个变量 X = np.array(features[0]
和 r = 0.1
另一个变量 Y = np.array(features[1]
和 r = 0.5
现在我只能这么想
indic1 = tree.query_radius(X, r= 0.1)
indic2 = tree.query_radius(Y, r= 0.5)
有没有一种方法可以将这两者结合起来并进行一棵树查询?
最佳答案
是的,有一种方法可以做到这一点,只需使用文档中的一个 query_radius
调用即可:
r can be a single value, or an array of values of shape x.shape[:-1] if different radii are desired for each point.
所以你可以这样做:
import numpy as np
from sklearn.neighbors import KDTree
np.random.seed(42)
features = np.random.random((10, 2))
X = np.array(features[0:2])
tree = KDTree(features, leaf_size=40)
indices = tree.query_radius(X, r=np.array([0.1, 0.5]))
for cursor, ix in enumerate(indices):
np.savetxt('file{}.txt'.format(cursor), features[ix], fmt='%s')
输出为 file0.txt 和 file1.txt,file0.txt 有 1 个点(较小的半径),file1.txt 有 5 个点(较高的半径)。
关于python - 使用具有多个搜索条件的多个目标变量的 KDtree 在 sklearn 中查找邻居,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/51907340/