Question

我已经玩了几天了，并且继续遇到表演墙。

数据：

10s到数十万个3D点
点为正/负int并且落在没有重叠的3D网格上
很少添加新点
通常是无间隙但可能存在差距

结构：

必须能够有效地找到沿每个轴的最近邻居（“最靠近左侧”）和仅该轴。
很少在施工后处理插入或删除（但必须处理它们）
不需要处理重叠点

我在http://docs.scipy.org/doc/scipy/reference/spatial.html找到了一个可能的解决方案，但是K-d树对于这种类型的数据（对于任意点的簇更合适）并且针对在半径内寻找点进行调整似乎非常浪费。此数据的主要用例通常是沿着每个数据找到（和跟随）最近的邻居点。

示例数据（x，y，z）：

[(4, 3, 0), (4, 4, 0), (5, 3, 0), (3, 3, 0), (4, 3, 1), ...]

可能我的google-fu失败了，并且已经存在最佳结构（最好是在Python中），但我找不到。

Answer 1

如何分别为x，y，z轴构建3个KD树？无论如何，你需要某种树形结构。

Answer 2

嗯，发现“离左边最近”并且因为你在x = 4上说了多个点，所以会发现很棘手，然后需要找到其他轴上的闭合点。

如下所示，更简单的“最近点”会不起作用？

for n in xrange(len(points)):
   diff = (((x0-points.x[n])**2) + ((y0-points.y[n])**2) + ((z0-points.z[n])**2))**0.5

然后用最小的差异清除'n'（如果包括当前点除外）..：/

Answer 3

如果只有点跟随轴并且其他轴的值为静态，则只计算为最近的点，例如（1,1,0）不符合最接近（0,0,0）的条件，但是（4,0,0）你可以：

import numpy as np
#The .T is ofcourse not neccesary here but then you have to fix it below as well.
points = np.asarray( [(4, 3, 0), (4, 4, 0), (5, 3, 0), (3, 3, 0), (4, 3, 1)]).T
#You have still to check thiss for all points just showing for pt 0
on_same_xy = (points[:-1,:].T == points[:-1,0]).all(axis=1)

z_distance =  (points[2,on_same_xy] - points[2,0])
z_distance_up = z_distance[np.where(z_distance > 0)]
if z_distance_up.size == 0:
    up = None
else:
    up = z_distance_up.min()

z_distance_down = z_distance[np.where(z_distance < 0)]
if z_distance_down.size == 0:
    down = None
else:
    down = z_distance_down.max()

print "Z-up-neighbour %s, Z-down-neighbour %s" % (str(up), str(down))

由于您只有点[-1,0]的两个第一个坐标值，因此可以从上到下访问上点和下点的位置以及距离。

我意识到代码有点混乱，但是一旦大数据集在nunpy内部，它确实应该更快。另外，这是一个问题，问题是你的问题。

在3D空间中有效地沿特定轴找到最近点

3 个答案: