scipy.spatial软件包可以通过利用 Qhull库来计算一组点的三角测量,Voronoi图和凸壳.此外,它包含用于最近邻点查询的 KDTree实现和用于各种度量的距离计算的实用程序.
让我们了解Delaunay三角剖分是什么以及如何在SciPy中使用它们.
在数学和计算几何中,对于平面中离散点的给定集合 P 的Delaunay三角剖分是三角剖分 DT(P),使得 P 中没有点在内部DT(P)中任意三角形的外接圆.
我们可以通过SciPy进行相同的计算.让我们考虑以下示例.
from scipy.spatial import Delaunay points = np.array([[0, 4], [2, 1.1], [1, 3], [1, 2]]) tri = Delaunay(points) import matplotlib.pyplot as plt plt.triplot(points[:,0], points[:,1], tri.simplices.copy()) plt.plot(points[:,0], points[:,1], 'o') plt.show()
上述程序将生成以下输出.
让我们了解共生点数是什么以及如何在SciPy中使用它们.
共面点是位于同一平面内的三个或更多点.回想一下,平面是一个平面,在所有方向上都没有端部延伸.它通常在数学教科书中显示为四边形.
让我们看看如何使用SciPy找到它.让我们考虑以下示例.
from scipy.spatial import Delaunay points = np.array([[0, 0], [0, 1], [1, 0], [1, 1], [1, 1]]) tri = Delaunay(points) print tri.coplanar
上述程序将生成以下输出.
array([[4,0, 3]],dtype = int32)
这意味着点4位于三角形0和顶点3附近,但不包括在三角测量中.
让我们了解凸壳是什么以及如何在SciPy中使用它们.
在数学中,欧几里德平面或欧几里德中一组点X的凸包或凸包络空间(或更一般地说,在实数上的仿射空间中)是包含X的最小凸集.
让我们考虑以下示例来理解它详细.
from scipy.spatial import ConvexHull points = np.random.rand(10, 2) # 30 random points in 2-D hull = ConvexHull(points) import matplotlib.pyplot as plt plt.plot(points[:,0], points[:,1], 'o') for simplex in hull.simplices: plt.plot(points[simplex,0], points[simplex,1], 'k-') plt.show()
上述程序将生成以下输出.