假设这是我正在实现的一个简单的KD树算法

def Test():    features = np.random.random((10, 2))    X = np.array(features[0:2])    print(X)    tree = KDTree(features, leaf_size=40)    indic = tree.query_radius(X, r= 0.1)    counter = 0    for i in indic:        a = (features[i])        np.savetxt('file{}.txt'.format(counter), a, fmt='%s')        counter += 1        yield itree = Test()[X for X in tree]

在这里，我为每个目标位置的每个邻居元素保存了一个文本文件，并且这个方法工作得很好。

有没有什么技巧可以让我为每个目标点使用不同的搜索标准，而不需要反复创建单独的树查询？

例如，假设我想使用一个变量 X = np.array(features[0] 并设置 r = 0.1，而另一个变量 Y = np.array(features[1] 并设置 r = 0.5。目前，我只能想到这样的方法

indic1 = tree.query_radius(X, r= 0.1)indic2 = tree.query_radius(Y, r= 0.5)

有没有办法可以将这两个查询合并成一个树查询？

回答：

是的，有一种方法可以做到这一点，只需使用一次 query_radius 调用，根据文档说明：

r 可以是一个单一的值，或者是一个形状为 x.shape[:-1] 的值数组，如果需要为每个点设置不同的半径。

所以你可以这样做：

输出结果是 file0.txt 和 file1.txt，file0.txt 包含1个点（较小的半径），file1.txt 包含5个点（较大的半径）。