Python 在我的例子中，从距离到给定点x，y排序点（x=0，y=o）

我想将数组“a”（如下所示）排序（从最短到最长）到原点或点的距离（在我的例子中为0,0），并将其存储到类似的数组类型“b”或替换数组“a”

下面给出的点是3d numpy阵列

[[[  510.    11.]]

 [[  651.   276.]]

 [[  269.    70.]]

 [[  920.    26.]]

 [[  513.    21.]]

 [[ 1197.   620.]]

 [[  407.   268.]]

 [[  452.    35.]]

 [[  435.     3.]]

 [[  520.    20.]]

 [[ 1151.   499.]]

 [[  104.    26.]]

 [[  754.    28.]]

 [[  263.   111.]]

 [[  731.    12.]]

 [[  972.   200.]]

 [[ 1186.   614.]]

 [[  437.     2.]]

 [[ 1096.    68.]]

 [[  997.   201.]]

 [[ 1087.   200.]]

 [[  913.   201.]]

 [[ 1156.   510.]]

 [[  994.   230.]]

 [[  793.    29.]]

 [[  514.    19.]]]

我找不到任何关于这种3d np数组排序的有用信息

ps：这些点“a”来自Goodfeaturestotrack、OpenCV、python 3.6

如何将数组清除为空类型

 #this is  clustering algorithm    
    for index in range(len(a): #a is the above matrix 3d np array
#find distance was already defined and is euclidean distance formula
            if findDistance(a[index][0], a[index][1], a[index + 1][0], a[index + 1][1]) < 3: #calculation euclidean distance between ai and ai+1
                c.append(index)
            if findDistance(a[index][0], a[index][1], a[index + 1][0], a[index + 1][1]) > 3: #calculation euclidean distance between ai and ai+1
                if len(c) > 10:
                    cp = np.insert(cp, c, 0)

                    c = [] # should clear c **is this correct ??**

#这是聚类算法
对于范围内的索引（len（a）：#a是上述矩阵3d np数组
#“查找距离”已定义，是欧几里德距离公式
如果findInstance（a[index][0]、a[index][1]、a[index+1][0]、a[index+1][1]）<3:#计算ai和ai+1之间的欧氏距离
c、 追加（索引）
如果FindInstance（a[index][0]、a[index][1]、a[index+1][0]、a[index+1][1]）>3:#计算ai和ai+1之间的欧氏距离
如果len（c）>10：
cp=np.插入（cp，c，0）
c=[]#应清除c**是否正确**

我想让它方便地以多种数组格式计算距离……它不是一行，但可以工作。有关其实现的详细信息，可以在堆栈的其他位置通过搜索“einsum”和numpy作为关键字找到。 按np要求导入numpy，这只是def，需要2个阵列

import numpy as np

def e_dist(a, b, metric='euclidean'):

"""Distance calculation for 1D, 2D and 3D points using einsum
: a, b   - list, tuple, array in 1,2 or 3D form
: metric - euclidean ('e','eu'...), sqeuclidean ('s','sq'...),
:-----------------------------------------------------------------------
"""
a = np.asarray(a)
b = np.atleast_2d(b)
a_dim = a.ndim
b_dim = b.ndim
if a_dim == 1:
    a = a.reshape(1, 1, a.shape[0])
if a_dim >= 2:
    a = a.reshape(np.prod(a.shape[:-1]), 1, a.shape[-1])
if b_dim > 2:
    b = b.reshape(np.prod(b.shape[:-1]), b.shape[-1])
diff = a - b
dist_arr = np.einsum('ijk,ijk->ij', diff, diff)
if metric[:1] == 'e':
    dist_arr = np.sqrt(dist_arr)
dist_arr = np.squeeze(dist_arr)
return dist_arr

例如，如果需要，您可以对结果进行排序

a = np.random.randint(0, 10, size=(10,2))

orig = np.array([0,0])

    e_dist(a, orig)

    array([  4.12,   9.9 ,   7.07,   6.08,   3.16,  10.63,   8.54,   7.28,   7.21,
             6.08])
    np.sort(e_dist(a, orig))

    array([  3.16,   4.12,   6.08,   6.08,   7.07,   7.21,   7.28,   8.54,   9.9 ,
            10.63])

附录

我应该补充一点，您可以使用argsort获得排序值，如下所示

np.argsort(e_dist(a, orig))
array([4, 0, 3, 9, 2, 8, 7, 6, 1, 5], dtype=int64)

idx = np.argsort(art.e_dist(a, orig))

closest = a[idx]
array([[3, 1],
       [1, 4],
       [1, 6],
       [6, 1],
       [5, 5],
       [4, 6],
       [2, 7],
       [8, 3],
       [7, 7],
       [7, 8]])

---

如何获得排序数组？如果我分配

b=sorted（a，key=lambda point:distance_squared（target_point[0]，target_point[1]，*point[0]）

和

print（'sorted'，b）

我得到

排序的[array（[[250,92.]]，dtype=float32），array（[269,70.]]，dtype=float32），array（[407,268.]]，dtype=..…

我怎样才能得到一个类似于上面的数组，但排序为try numpy。数组（b）和

delc[：]

将删除c中的所有内容，而不是

c=[]

谢谢！

cp=np.insert（cp，c，0）

这是将c数组复制到cp的正确方法吗？insert向数组中添加了一个新列，但它不会覆盖原始数组。Numpy的网站上有非常好的文档和示例，请务必查看！一旦我在代码中实现了这一点，我将立即与u联系！谢谢！效果非常好！！我想这是一个mis取

np.argsort（艺术区（a，原图））

必须是

np.argsort（e区（a，原图））

是这样吗？？？

art

是数组名吗？对不起……art来自我的arraytool模块……我忘记删除它了，因为我从那里导入了e_dist。如果你在自己的脚本中包含e_dist，那么你就不需要我删除的“art”部分了！此代码比Beasley先生提到的代码快得多。谢谢！

np.argsort(e_dist(a, orig))
array([4, 0, 3, 9, 2, 8, 7, 6, 1, 5], dtype=int64)

idx = np.argsort(art.e_dist(a, orig))

closest = a[idx]
array([[3, 1],
       [1, 4],
       [1, 6],
       [6, 1],
       [5, 5],
       [4, 6],
       [2, 7],
       [8, 3],
       [7, 7],
       [7, 8]])