scipy.spatial.cKDTree.

sparse_distance_matrix#

cKDTree.sparse_distance_matrix(self, other, max_distance, p=2.)#

計算稀疏距離矩陣

計算兩個 cKDTrees 之間的距離矩陣，將任何大於 max_distance 的距離設為零。

參數:

othercKDTree
max_distance正浮點數
pfloat, 1<=p<=infinity: 要使用的 Minkowski p-範數。如果可能發生溢位，有限大的 p 可能會導致 ValueError。
output_type字串，選用: 用於輸出資料的容器。選項：'dok_matrix'、'coo_matrix'、'dict' 或 'ndarray'。預設值：'dok_matrix'。

返回:

resultdok_matrix、coo_matrix、dict 或 ndarray: 以「鍵字典」格式表示結果的稀疏矩陣。如果返回 dict，則鍵是索引的 (i,j) 元組。如果 output_type 是 'ndarray'，則返回帶有欄位 'i'、'j' 和 'v' 的記錄陣列。

範例

您可以計算兩個 kd-樹之間的稀疏距離矩陣

>>> import numpy as np
>>> from scipy.spatial import cKDTree
>>> rng = np.random.default_rng()
>>> points1 = rng.random((5, 2))
>>> points2 = rng.random((5, 2))
>>> kd_tree1 = cKDTree(points1)
>>> kd_tree2 = cKDTree(points2)
>>> sdm = kd_tree1.sparse_distance_matrix(kd_tree2, 0.3)
>>> sdm.toarray()
array([[0.        , 0.        , 0.12295571, 0.        , 0.        ],
   [0.        , 0.        , 0.        , 0.        , 0.        ],
   [0.28942611, 0.        , 0.        , 0.2333084 , 0.        ],
   [0.        , 0.        , 0.        , 0.        , 0.        ],
   [0.24617575, 0.29571802, 0.26836782, 0.        , 0.        ]])

您可以檢查大於 max_distance 的距離是否為零

>>> from scipy.spatial import distance_matrix
>>> distance_matrix(points1, points2)
array([[0.56906522, 0.39923701, 0.12295571, 0.8658745 , 0.79428925],
   [0.37327919, 0.7225693 , 0.87665969, 0.32580855, 0.75679479],
   [0.28942611, 0.30088013, 0.6395831 , 0.2333084 , 0.33630734],
   [0.31994999, 0.72658602, 0.71124834, 0.55396483, 0.90785663],
   [0.24617575, 0.29571802, 0.26836782, 0.57714465, 0.6473269 ]])