时间戳

首页 > 解决方案 > 使用具有多个目标变量和多个搜索条件的 KDtree 在 sklearn 中查找 Kneighbors

python - 使用具有多个目标变量和多个搜索条件的 KDtree 在 sklearn 中查找 Kneighbors

问题描述

可以说这是我正在实施的简单 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相邻元素保存文本文件，这工作得很好。

有什么技巧可以让我对每个目标点使用不同的搜索条件，而无需一次又一次地创建单独的树查询？

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 现在，我只能这样Y = np.array(features[1]想r = 0.5

indic1 = tree.query_radius(X, r= 0.1)
indic2 = tree.query_radius(Y, r= 0.5)

有没有办法可以将这两者结合起来进行单树查询？

标签： pythonmachine-learningscipyscikit-learnkdtree

解决方案

是的，有一种方法可以做到这一点，只需一次query_radius调用，来自文档：

如果每个点需要不同的半径，r 可以是单个值，也可以是形状为 x.shape[:-1] 的值的数组。

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（半径较小），file1.txt 有 5 个点（半径较大）。

推荐阅读