回答編集履歴
2
追記
answer
CHANGED
|
@@ -17,5 +17,25 @@
|
|
|
17
17
|
|
|
18
18
|
print(ret) # [(array([1.1, 1.1]), array([1, 1])), (array([1.4, 1.4]), array([2, 2])), (array([2.9, 2.9]), array([3, 3]))]
|
|
19
19
|
```
|
|
20
|
-
なお、
|
|
20
|
+
なお、上記の方法だと、データによっては直観に反した（不自然な）採り方をすることがありえます。
|
|
21
|
+
|
|
21
|
-
複数の`data`と`target`の中から**最も距離の小さい**最近傍点のペアを取り除きつつループしたほうがより自然になるかと思います。
|
|
22
|
+
以下のように、複数の`data`と`target`の中から**最も距離の小さい**最近傍点のペアを取り除きつつループしたほうがより自然になるかと思います。
|
|
23
|
+
```Python
|
|
24
|
+
import numpy as np
|
|
25
|
+
from scipy.spatial import KDTree
|
|
26
|
+
|
|
27
|
+
target = np.array([[1,1],[2,2],[3,3]])
|
|
28
|
+
data = np.array([[1.1,1.1],[1.4,1.4],[2.9,2.9]])
|
|
29
|
+
|
|
30
|
+
ret = []
|
|
31
|
+
while target.shape[0] > 0 and data.shape[0] > 0:
|
|
32
|
+
kdtree = KDTree(target)
|
|
33
|
+
dis, ids = kdtree.query(data)
|
|
34
|
+
dat_i = dis.argmin() # 最も距離の近いペアの位置
|
|
35
|
+
tar_i = ids[dat_i]
|
|
36
|
+
ret.append((data[dat_i], target[tar_i]))
|
|
37
|
+
data = np.delete(data, dat_i, 0)
|
|
38
|
+
target = np.delete(target, tar_i, 0)
|
|
39
|
+
|
|
40
|
+
print(ret) # [(array([1.1, 1.1]), array([1, 1])), (array([2.9, 2.9]), array([3, 3])), (array([1.4, 1.4]), array([2, 2]))]
|
|
41
|
+
```
|
1
追記
answer
CHANGED
|
@@ -16,4 +16,6 @@
|
|
|
16
16
|
target = np.delete(target, idx, 0)
|
|
17
17
|
|
|
18
18
|
print(ret) # [(array([1.1, 1.1]), array([1, 1])), (array([1.4, 1.4]), array([2, 2])), (array([2.9, 2.9]), array([3, 3]))]
|
|
19
|
-
```
|
|
19
|
+
```
|
|
20
|
+
なお、この方法だと、データによっては直観に反した（不自然な）採り方をすることがありえます。
|
|
21
|
+
複数の`data`と`target`の中から**最も距離の小さい**最近傍点のペアを取り除きつつループしたほうがより自然になるかと思います。
|