kd-tree找最邻近点 Python实现
基本概念
kd-tree是KNN算法的一种实现。算法的基本思想是用多维空间中的实例点,将空间划分为多块,成二叉树形结构。划分超矩形上的实例点是树的非叶子节点,而每个超矩形内部的实例点是叶子结点。
超矩形划分方法
有数据集datalist,其中的数据是Xi,每个Xi由多个特征值组成。首先将所有数据的Xi[0]找出,取得Xi[0]的中位数center,在树的根节点中保存Xi[0] == center的实例点Xi,树根的左子树递归构造Xi[0] < center的数据集,树根的右子树构造X[0] > center的数据集。同时在第二层,划分特征变为Xi[1], 划分特征随着树的深度改变,为 (d - 1) % k , k是特征的维度,d是此时划分的树深度。
python实现
import numpy as np
import matplotlib.pyplot as plot
import math
# kdtree类
class KdTree(object):
"""docstring for KdTree."""
def __str__(self):
return '{ nodes:' + str(self.nodes) + ', left:' + str(self.l) + ', right:' + str(self.r) + '}'
def __init__(self):
self.split = None
self.l = None
self.r = None
self.f = None
self.nodes = []
def createKdTree(split, datalist, k):
if datalist is None or len(datalist) == 0:
return None
split = split % k
node = KdTree()
# 求中位数
center = np.sort([a[split] for a in datalist])[int(len(datalist)/2)]
leftData = [a for a in datalist if a[split] < center]
rightData