从二维点集a中选择距离二维点集b的每个点最近的n个点的python代码

以下是一种简单的实现方式：

import numpy as np
from scipy.spatial.distance import cdist

def nearest_points(a, b, n=1):
    """
    从二维点集a中选择距离二维点集b的每个点最近的n个点
    :param a: 二维点集a，shape为(n1, 2)
    :param b: 二维点集b，shape为(n2, 2)
    :param n: 最近的n个点，默认为1
    :return: 二维点集a中距离二维点集b的每个点最近的n个点的索引，shape为(n2, n)
    """
    dist = cdist(a, b)  # 计算距离矩阵，shape为(n1, n2)
    nearest = np.argsort(dist, axis=0)[:n, :]  # 找到每列最近的n个点的索引，shape为(n, n2)
    return nearest.T  # 转置后返回，shape为(n2, n)

其中，`cdist`函数来自Scipy库，用于计算两个点集之间的距离矩阵。`argsort`函数则是numpy库中的函数，用于返回数组排序后的索引。最后，我们只需要将每列最近的n个点的索引返回即可。

相关问题

KDTree从二维点集a中选择距离二维点集b的每个点最近的n个点的python代码

以下是使用KDTree实现从二维点集a中选择距离二维点集b的每个点最近的n个点的python代码：

import numpy as np
from scipy.spatial import KDTree

def nearest_points(a, b, n=1):
    """
    使用KDTree从二维点集a中选择距离二维点集b的每个点最近的n个点
    :param a: 二维点集a，shape为(n1, 2)
    :param b: 二维点集b，shape为(n2, 2)
    :param n: 最近的n个点，默认为1
    :return: 二维点集a中距离二维点集b的每个点最近的n个点的索引，shape为(n2, n)
    """
    kdtree = KDTree(a)  # 构建KDTree
    dists, indices = kdtree.query(b, k=n)  # 查询每个查询点的k个最近邻居
    return indices  # 返回每个查询点的n个最近邻居的索引

在这个实现中，我们首先使用`KDTree`函数构建了一个KDTree，然后使用`query`函数查询每个查询点的最近邻居。最后，我们只需要返回每个查询点的n个最近邻居的索引即可。需要注意的是，返回的索引是基于点集a的索引，而不是b的索引。如果需要基于b的索引，可以使用以下代码：

indices = nearest_points(a, b, n=n)
indices = np.take(np.arange(a.shape[0]), indices)

其中，`np.take`函数是numpy库中的函数，用于从数组中取出指定索引的元素。

python从二维点集a中查询与二维点集b的每个点最近的n个点

可以使用Python中的SciPy库中的KDTree来实现从二维点集a中查询与二维点集b的每个点最近的n个点。以下是一个示例代码：

import numpy as np
from scipy.spatial import KDTree

# 生成二维点集a和b
a = np.random.rand(100, 2)
b = np.random.rand(50, 2)

# 构建KD树
tree = KDTree(a)

# 查询b中每个点的最近n个点
n = 5
dist, ind = tree.query(b, k=n)

# 打印结果
for i in range(len(b)):
    print("最近的{}个点到点{}的距离和索引为：".format(n, i))
    print(dist[i])
    print(ind[i])

在上面的示例代码中，我们首先生成了二维点集a和b。然后，使用`KDTree`函数构建了一个KD树。接下来，我们使用`query`函数查询b中每个点的最近n个点的距离和索引。最后，我们打印了查询结果。

需要注意的是，`query`函数返回的`dist`和`ind`都是二维数组，其中第一维表示b中的点的索引，第二维表示该点的最近n个点的距离或索引。