Python/scipy spatial data
<languages />
科学空间数据
处理空间数据
空间数据是指在几何空间中表示的数据。
E.g.点在坐标系上。
我们处理许多任务上的空间数据问题。
E.g.查找一个点是否在边界内。
SciPy为我们提供了模块
scipy.spatial
,该功能具有处理空间数据的功能。
三角剖分
多边形的三角剖分是将多边形分成多个三角形,我们可以使用它们来计算多边形的面积。
三角剖分 with points 表示创建曲面组成的三角形,其中所有给定点都位于曲面中任何三角形的至少一个顶点上。
通过点生成这些三角剖分的一种方法是
Delaunay()
三角剖分。
例
从以下几点创建三角剖分:
import numpy as np from scipy.spatial import Delaunay import matplotlib.pyplot as plt points = np.array([ [2, 4], [3, 4], [3, 0], [2, 2], [4, 1] ]) simplices = Delaunay(points).simplices plt.triplot(points[:, 0], points[:, 1], simplices) plt.scatter(points[:, 0], points[:, 1], color='r') plt.show()
结果:
注意:
The
simplices
属性创建三角形符号的概括。
凸包
凸包是覆盖所有给定点的最小多边形。
使用
ConvexHull()
创建凸包的方法。
例
为以下几点创建凸包:
import numpy as np from scipy.spatial import ConvexHull import matplotlib.pyplot as plt points = np.array([ [2, 4], [3, 4], [3, 0], [2, 2], [4, 1], [1, 2], [5, 0], [3, 1], [1, 2], [0, 2] ]) hull = ConvexHull(points) hull_points = hull.simplices plt.scatter(points[:,0], points[:,1]) for simplex in hull_points: plt.plot(points[simplex,0], points[simplex,1], 'k-') plt.show()
结果:
文件:Scipy spatial convexhull.png
KD树
KDTree是为最近邻居查询优化的数据结构。
E.g.在使用KDTree的一组点中,我们可以有效地询问哪些点最接近某个给定点。
The
KDTree()
方法返回一个KDTree对象。
The
query()
方法将距离返回到最近的邻居
and
邻居的位置。
例
找到最近的邻居指向(1,1):
from scipy.spatial import KDTree points = [(1, -1), (2, 3), (-2, 3), (2, -3)] kdtree = KDTree(points) res = kdtree.query((1, 1)) print(res)
结果:
(2.0, 0)
距离矩阵
在数据科学中,有许多距离度量用于查找两点之间的各种类型的距离,例如欧几里得距离,余弦距离等。
两个向量之间的距离不仅可以是它们之间的直线长度,还可以是它们之间的原点角度或所需的单位步长等。
机器学习算法的许多性能在很大程度上取决于距离度量。E.g.“ K个最近邻居”或“ K个均值”等。
让我们看一些距离度量:
欧几里德距离
找到给定点之间的欧几里得距离。
例
from scipy.spatial.distance import euclidean p1 = (1, 0) p2 = (10, 2) res = euclidean(p1, p2) print(res)
结果:
9.21954445729
街区距离(曼哈顿距离)
是使用4度移动量计算的距离。
E.g.我们只能移动:向上,向下,向右或向左移动,不能对角线移动。
例
找到给定点之间的街区距离:
from scipy.spatial.distance import cityblock p1 = (1, 0) p2 = (10, 2) res = cityblock(p1, p2) print(res)
结果:
11
余弦距离
是两个点A和B之间的余弦角值。
例
找到给定点之间的余弦距离:
from scipy.spatial.distance import cosine p1 = (1, 0) p2 = (10, 2) res = cosine(p1, p2) print(res)
结果:
0.019419324309079777
汉明距离
是两个比特不同的比特比例。
这是一种测量二进制序列距离的方法。
例
找到给定点之间的汉明距离:
from scipy.spatial.distance import hamming p1 = (True, False, True) p2 = (False, True, True) res = hamming(p1, p2) print(res)
结果:
0.666666666667