#?========無監督查找最近鄰（常在聚類中使用，例如變色龍聚類算法）==========

from?sklearn.neighbors?import?NearestNeighbors
import?numpy?as?np?#?快速操作結構數組的工具

X?=?np.array（[[-1?-1]?[-2?-1]?[-3?-2]?[1?1]?[2?1]?[3?2]]）??#?樣本數據

nbrs?=?NearestNeighbors（n_neighbors=4?algorithm=‘ball_tree‘）.fit（X）??#?為X生成knn模型
d=X[np.ix_（[0]）]
distances?indices?=?nbrs.kneighbors（d）??#?為test_x中的數據尋找模型中的鄰節點
print（‘knn鄰節點：‘indices）
print（‘KNN鄰節點距離：‘indices[0][1]）

#?==============================使用kd樹和Ball樹實現無監督查找最近鄰========================

#?from?sklearn.neighbors?import?KDTreeBallTree
#?import?numpy?as?np?#?快速操作結構數組的工具
#
#?X?=?np.array（[[-1?-1]?[-2?-1]?[-3?-2]?[1?1]?[2?1]?[3?2]]）
#?#?test_x?=?np.array（[[-3.2?-2.1]?[-2.6?-1.3]?[1.4?1.0]?[3.1?2.6]?[2.5?1.0]?[-1.2?-1.3]]）??#?設置測試數據
#?test_x=X??#?測試數據等于樣本數據。這樣就相當于在樣本數據內部查找每個樣本的鄰節點了。
#?kdt?=?KDTree（X?leaf_size=30?metric=‘euclidean‘）
#?distancesindices?=?kdt.query（test_x?k=2?return_distance=True）
#?print（‘KDTree鄰節點：‘indices）
#?print（‘KDTree鄰節點距離：‘distances）

?屬性????????????大小?????日期????時間???名稱
-----------?---------??----------?-----??----
?????目錄???????????0??2019-06-09?18:31??python讀取las數據\
?????文件????????1334??2019-06-05?21:44??python讀取las數據\knnother.py
?????文件?????1346389??2018-03-19?11:36??python讀取las數據\read.las
?????文件?????????832??2019-06-08?16:22??python讀取las數據\readlasfile.py