作者热门文章
- c - 在位数组中找到第一个零
- linux - Unix 显示有关匹配两种模式之一的文件的信息
- 正则表达式替换多个文件
- linux - 隐藏来自 xtrace 的命令
我有一个类似于此处提出的问题的问题: simple way of fusing a few close points .我想用坐标的平均值替换彼此靠近的点。单元格中的接近度由用户指定(我说的是欧氏距离)。
就我而言,我有很多积分(大约 100 万)。此方法有效,但很耗时,因为它使用双 for 循环。
有没有更快的方法来检测和融合 numpy 二维数组中的接近点?
为了完整,我添加了一个示例:
points=array([[ 382.49056159, 640.1731949 ],
[ 496.44669161, 655.8583119 ],
[ 1255.64762859, 672.99699399],
[ 1070.16520917, 688.33538171],
[ 318.89390168, 718.05989421],
[ 259.7106383 , 822.2 ],
[ 141.52574427, 28.68594436],
[ 1061.13573287, 28.7094536 ],
[ 820.57417943, 84.27702407],
[ 806.71416007, 108.50307828]])
点的散点图如下所示。红色圆圈表示彼此靠近的点(在本例中,数组中最后两个点之间的距离为 27.91)。因此,如果用户指定最小距离为 30,则应融合这些点。
在 fuse 函数的输出中,最后一个 to 点被融合。这看起来像:
#output
array([[ 382.49056159, 640.1731949 ],
[ 496.44669161, 655.8583119 ],
[ 1255.64762859, 672.99699399],
[ 1070.16520917, 688.33538171],
[ 318.89390168, 718.05989421],
[ 259.7106383 , 822.2 ],
[ 141.52574427, 28.68594436],
[ 1061.13573287, 28.7094536 ],
[ 813.64416975, 96.390051175]])
最佳答案
如果你有大量的点,那么构建一个 k-D tree 可能会更快使用 scipy.spatial.KDTree
,然后向它查询比某个阈值更近的点对:
import numpy as np
from scipy.spatial import KDTree
tree = KDTree(points)
rows_to_fuse = tree.query_pairs(r=30)
print(repr(rows_to_fuse))
# {(8, 9)}
print(repr(points[list(rows_to_fuse)]))
# array([[ 820.57417943, 84.27702407],
# [ 806.71416007, 108.50307828]])
这种方法的主要优点是您不需要计算数据集中每对点之间的距离。
关于python - numpy-2d 中接近点的快速融合(矢量化),我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/36985185/
我是一名优秀的程序员,十分优秀!