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答案

【问题标题】：Finding Kneighbors in sklearn using KDtree with multiple target variables with multiple search criteria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
【发布时间】：2019-01-25 04:50:42
【问题描述】：

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相邻元素保存文本文件，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 和另一个变量Y = np.array(features[1] 和r = 0.5 现在，我只能这样想

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进行单树查询？

【问题讨论】：

标签： python machine-learning scipy scikit-learn kdtree

【解决方案1】：

是的，有一种方法，只使用一个query_radius call，从文档中使用：

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

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')

输出是file0.txt和file1.txt，file0.txt有1个点（下半径）和file1.txt有5分（较高的半径）。

【讨论】：