请教各位大佬：如何求最右边的所有点

随便的C#

比如图上有好几列点，我想获得最右边的所有点，例如方框里的点。
大佬们能给个解题思路吗？

landsat99

响应大佬，也来一段代码，，   Canopy算法的，也算一种簇类分析定质心。

Github ： https://github.com/AlanConstantine/CanopyByPython

修改： 添加了核心参数T1，T2的粗略判断。取为整体矩阵 Data[:,0] 最大值和最小值区间的比例参数。
用楼上大咖的点位数据 再次试算。

1. # -*- coding: utf-8 -*-
   
2. # @Title:       Algorithm.Canopy :: Class.Canopy.py
   
3. # @From:        https://github.com/AlanConstantine/CanopyByPython
   
4. # @Date:        2022.05.31
   
5. 
   
6. import math
   
7. import random
   
8. import numpy as np
   
9. from datetime import datetime
   
10. from pprint import pprint as p
    
11. import matplotlib.pyplot as plt
    
12. 
    
13. 
    
14. class Canopy:
    
15. 
    
16.     def __init__(self, dataset):
    
17.         self.dataset = dataset
    
18.         self.t1 = 0
    
19.         self.t2 = 0
    
20. 
    
21.     # 设置初始阈值
    
22.     def setThreshold(self, t1, t2):
    
23.         if t1 > t2:
    
24.             self.t1 = t1
    
25.             self.t2 = t2
    
26.         else:
    
27.             print('t1 needs to be larger than t2!')
    
28. 
    
29.     # 使用欧式距离进行距离的计算
    
30.     def euclideanDistance(self, vec1, vec2):
    
31.         return math.sqrt(((vec1 - vec2)**2).sum())
    
32. 
    
33.     # 根据当前dataset的长度随机选择一个下标
    
34.     def getRandIndex(self):
    
35.         return random.randint(0, len(self.dataset) - 1)
    
36. 
    
37.     def clustering(self):
    
38.         if self.t1 == 0:
    
39.             print('Please set the threshold.')
    
40.         else:
    
41.             canopies = []  # 用于存放最终归类结果
    
42.             while len(self.dataset) != 0:
    
43.                 rand_index = self.getRandIndex()
    
44.                 current_center = self.dataset[rand_index]  # 随机获取一个中心点，定为P点
    
45.                 current_center_list = []  # 初始化P点的canopy类容器
    
46.                 delete_list = []  # 初始化P点的删除容器
    
47.                 self.dataset = np.delete(
    
48.                     self.dataset, rand_index, 0)  # 删除随机选择的中心点P
    
49.                 for datum_j in range(len(self.dataset)):
    
50.                     datum = self.dataset[datum_j]
    
51.                     distance = self.euclideanDistance(
    
52.                         current_center, datum)  # 计算选取的中心点P到每个点之间的距离
    
53.                     if distance < self.t1:
    
54.                         # 若距离小于t1，则将点归入P点的canopy类
    
55.                         current_center_list.append(datum)
    
56.                     if distance < self.t2:
    
57.                         delete_list.append(datum_j)  # 若小于t2则归入删除容器
    
58.                 # 根据删除容器的下标，将元素从数据集中删除
    
59.                 self.dataset = np.delete(self.dataset, delete_list, 0)
    
60.                 canopies.append((current_center, current_center_list))
    
61.         return canopies
    
62. 
    
63. 
    
64. def showCanopy(canopies, dataset, t1, t2):
    
65.     fig = plt.figure()
    
66.     sc = fig.add_subplot(111)
    
67.     colors = ['brown', 'green', 'blue', 'y', 'r', 'tan', 'dodgerblue', 'deeppink', 'orangered', 'peru', 'blue', 'y', 'r',
    
68.               'gold', 'dimgray', 'darkorange', 'peru', 'blue', 'y', 'r', 'cyan', 'tan', 'orchid', 'peru', 'blue', 'y', 'r', 'sienna']
    
69.     markers = ['*', 'h', 'H', '+', 'o', '1', '2', '3', ',', 'v', 'H', '+', '1', '2', '^',
    
70.                '<', '>', '.', '4', 'H', '+', '1', '2', 's', 'p', 'x', 'D', 'd', '|', '_']
    
71.     for i in range(len(canopies)):
    
72.         canopy = canopies
    
73.         center = canopy[0]
    
74.         components = canopy[1]
    
75.         sc.plot(center[0], center[1], marker=markers,
    
76.                 color=colors, markersize=30)
    
77.         t1_circle = plt.Circle(
    
78.             xy=(center[0], center[1]), radius=t1, color='dodgerblue', fill=False)
    
79.         t2_circle = plt.Circle(
    
80.             xy=(center[0], center[1]), radius=t2, color='skyblue', alpha=0.2)
    
81.         sc.add_artist(t1_circle)
    
82.         sc.add_artist(t2_circle)
    
83.         for component in components:
    
84.             sc.plot(component[0], component[1],
    
85.                     marker=markers, color=colors, markersize=1.5)
    
86.     maxvalue = np.amax(dataset)
    
87.     minvalue = np.amin(dataset)
    
88.     plt.xlim(minvalue - t1, maxvalue + t1)
    
89.     plt.ylim(minvalue - t1, maxvalue + t1)
    
90.     plt.show()
    
91. 
    
92. 
    
93. # 随机生成600个二维[0,1)平面点
    
94. # dataset = np.random.rand(600, 2)
    
95. dataset = np.array([[-3,0], [-2.5,1], [-3.5,3], [-0.5,0], [0,1.5], [0.5,2], [3,3], [2.5,4], [3.5,5]])
    
96. 
    
97. if __name__ == '__main__':
    
98.     NMax = np.max(dataset[:, 0])
    
99.     NMin = np.min(dataset[:, 0])
    
100.     t1 = (NMax - NMin) * 0.7
     
101.     t2 = t1 * 0.75
     
102.     gc = Canopy(dataset)
     
103.     gc.setThreshold(t1, t2)
     
104.     canopies = gc.clustering()
     
105.     print('Get %s initial centers.' % len(canopies))
     
106.     showCanopy(canopies, dataset, t1, t2)
     

# -*- coding: utf-8 -*-<br /> # @Title:       Algorithm.Canopy :: Class.Canopy.py<br /> # @From:        <a href="https://github.com/AlanConstantine/CanopyByPython" target="_blank">https://github.com/AlanConstantine/CanopyByPython</a><br /> # @Date:        2022.05.31<br /> <br /> import math<br /> import random<br /> import numpy as np<br /> from datetime import datetime<br /> from pprint import pprint as p<br /> import matplotlib.pyplot as plt<br /> <br /> <br /> class Canopy:<br /> <br />     def __init__(self, dataset):<br />         self.dataset = dataset<br />         self.t1 = 0<br />         self.t2 = 0<br /> <br />     # 设置初始阈值<br />     def setThreshold(self, t1, t2):<br />         if t1 > t2:<br />             self.t1 = t1<br />             self.t2 = t2<br />         else:<br />             print('t1 needs to be larger than t2!')<br /> <br />     # 使用欧式距离进行距离的计算<br />     def euclideanDistance(self, vec1, vec2):<br />         return math.sqrt(((vec1 - vec2)**2).sum())<br /> <br />     # 根据当前dataset的长度随机选择一个下标<br />     def getRandIndex(self):<br />         return random.randint(0, len(self.dataset) - 1)<br /> <br />     def clustering(self):<br />         if self.t1 == 0:<br />             print('Please set the threshold.')<br />         else:<br />             canopies = []  # 用于存放最终归类结果<br />             while len(self.dataset) != 0:<br />                 rand_index = self.getRandIndex()<br />                 current_center = self.dataset[rand_index]  # 随机获取一个中心点，定为P点<br />                 current_center_list = []  # 初始化P点的canopy类容器<br />                 delete_list = []  # 初始化P点的删除容器<br />                 self.dataset = np.delete(<br />                     self.dataset, rand_index, 0)  # 删除随机选择的中心点P<br />                 for datum_j in range(len(self.dataset)):<br />                     datum = self.dataset[datum_j]<br />                     distance = self.euclideanDistance(<br />                         current_center, datum)  # 计算选取的中心点P到每个点之间的距离<br />                     if distance < self.t1:<br />                         # 若距离小于t1，则将点归入P点的canopy类<br />                         current_center_list.append(datum)<br />                     if distance < self.t2:<br />                         delete_list.append(datum_j)  # 若小于t2则归入删除容器<br />                 # 根据删除容器的下标，将元素从数据集中删除<br />                 self.dataset = np.delete(self.dataset, delete_list, 0)<br />                 canopies.append((current_center, current_center_list))<br />         return canopies<br /> <br /> <br /> def showCanopy(canopies, dataset, t1, t2):<br />     fig = plt.figure()<br />     sc = fig.add_subplot(111)<br />     colors = ['brown', 'green', 'blue', 'y', 'r', 'tan', 'dodgerblue', 'deeppink', 'orangered', 'peru', 'blue', 'y', 'r',<br />               'gold', 'dimgray', 'darkorange', 'peru', 'blue', 'y', 'r', 'cyan', 'tan', 'orchid', 'peru', 'blue', 'y', 'r', 'sienna']<br />     markers = ['*', 'h', 'H', '+', 'o', '1', '2', '3', ',', 'v', 'H', '+', '1', '2', '^',<br />                '<', '>', '.', '4', 'H', '+', '1', '2', 's', 'p', 'x', 'D', 'd', '|', '_']<br />     for i in range(len(canopies)):<br />         canopy = canopies<i><br />         center = canopy[0]<br />         components = canopy[1]<br />         sc.plot(center[0], center[1], marker=markers<i>,<br />                 color=colors<i>, markersize=30)<br />         t1_circle = plt.Circle(<br />             xy=(center[0], center[1]), radius=t1, color='dodgerblue', fill=False)<br />         t2_circle = plt.Circle(<br />             xy=(center[0], center[1]), radius=t2, color='skyblue', alpha=0.2)<br />         sc.add_artist(t1_circle)<br />         sc.add_artist(t2_circle)<br />         for component in components:<br />             sc.plot(component[0], component[1],<br />                     marker=markers<i>, color=colors<i>, markersize=1.5)<br />     maxvalue = np.amax(dataset)<br />     minvalue = np.amin(dataset)<br />     plt.xlim(minvalue - t1, maxvalue + t1)<br />     plt.ylim(minvalue - t1, maxvalue + t1)<br />     plt.show()<br /> <br /> <br /> # 随机生成600个二维[0,1)平面点<br /> # dataset = np.random.rand(600, 2)<br /> dataset = np.array([[-3,0], [-2.5,1], [-3.5,3], [-0.5,0], [0,1.5], [0.5,2], [3,3], [2.5,4], [3.5,5]])<br /> <br /> if __name__ == '__main__':<br />     NMax = np.max(dataset[:, 0])<br />     NMin = np.min(dataset[:, 0])<br />     t1 = (NMax - NMin) * 0.7<br />     t2 = t1 * 0.75<br />     gc = Canopy(dataset)<br />     gc.setThreshold(t1, t2)<br />     canopies = gc.clustering()<br />     print('Get %s initial centers.' % len(canopies))<br />     showCanopy(canopies, dataset, t1, t2)<br />

红框内，指定的参数T1 ，T2。   缩小区间，质心数量增加。

另外，聚类分析好像还有 Kmeans++ ，Kmeans II 等算法估CenterPoi。

qjchen

革天明 发表于 2022-5-29 08:23
看了讨论，楼主想要的是不给定公差的情况下，自行计算，请参考K-means进行聚类即可

谢谢分享~


之前觉得应该是用机器学习或者深度学习可能才能得到这个，但之前没有认真学过，不懂聚类。

于是学习了一下，颇有收获

以下是用ANACONDA的SPYDER编写PYTHON代码，主要用的sklearn

1. # 参考 https://www.tutorialspoint.com/machine_learning_with_python/machine_learning_with_python_clustering_algorithms_k_means.htm
   
2. 
   
3. import matplotlib.pyplot as plt
   
4. import numpy as np
   
5. from sklearn.cluster import KMeans
   
6. 
   
7. XY=np.array([[-3,0], [-2.5,1], [-3.5,3], [-0.5,0], [0,1.5], [0.5,2], [3,3], [2.5,4], [3.5,5]])
   
8. 
   
9. #显示原始数据
   
10. plt.scatter(XY[:, 0], XY[:, 1], s = 30);
    
11. plt.show()
    
12. 
    
13. #人为定义为3组，y_kmeans就是预测的分组
    
14. kmeans = KMeans(n_clusters = 3)
    
15. kmeans.fit(XY)
    
16. y_kmeans = kmeans.predict(XY)
    
17. 
    
18. #显示聚类后的数据
    
19. plt.scatter(XY[:, 0], XY[:, 1], c = y_kmeans, s = 30, cmap = 'rainbow')
    
20. #显示聚类后的类中心
    
21. centers = kmeans.cluster_centers_
    
22. plt.scatter(centers[:, 0], centers[:, 1], c = 'blue', s = 100, alpha = 0.9);
    
23. plt.show()
    

复制代码

结果如下：左是归类前，右是归类后


不过这个里面，人为规定了类数是3个，不知道有没有更好的自动算类的方法，但看到一般的KMEANS算法好像都有这个

后续：
假如用飞狐兄的PYCAD，估计可以编入PY插件
或者可以试试看ML.NET，看看编个C#插件可能也可以

landsat99

几个想法聊聊。抛砖引玉。。

1.   简单法。给出选区 -> 选区x轴右侧比如[0.8,1.0]所有点
2.   均值/方差选择。给定两点（用直线、两点、窗口方式都OK）本质是给定均值和方差或方差的函数. 即可找到符合你要求的点。算量基本是O(N)
3.   色阶法。 分析全图所有点得到几种分布指标 -> 以分布指标极值附近某点为均值，方差为参数选择。 类似PS的图片色阶算法。算量约O(2~3N)。
      如果第二步不用方差鲁棒定界，指定算法或AI识别等其他，比如离散动力学估界，会指数级增加算量O(N^2) .O(N^2.5)。

算法无上限，看应用场景、成本

烟盒迷唇

X坐标值最大的点啊

随便的C#

烟盒迷唇 发表于 2022-5-28 06:43
X坐标值最大的点啊

这只能求到最大的一个点，而不是一列点，我想求的就是最右列的所有点。

xj6019

烟盒迷唇 发表于 2022-5-28 06:43
X坐标值最大的点啊

这个法应该最简单

随便的C#

landsat99 发表于 2022-5-28 11:11
几个想法聊聊。抛砖引玉。。

1.   简单法。给出选区 -> 选区x轴右侧比如[0.8,1.0]所有点

方差我感觉不太行，因为就如那张示意图一样，假如最左一列的所有点的X坐标相同的话，两点关于X坐标最小的方差就是最左列的点了。

自贡黄明儒

随便的C# 发表于 2022-5-28 17:47
这只能求到最大的一个点，而不是一列点，我想求的就是最右列的所有点。

给X值一个公差，差值范内所有点为一列、

随便的C#

自贡黄明儒 发表于 2022-5-28 18:09
给X值一个公差，差值范内所有点为一列、

这样的话就得每次都定义不同的方差范围

革天明

看了讨论，楼主想要的是不给定公差的情况下，自行计算，请参考K-means进行聚类即可

随便的C#

革天明 发表于 2022-5-29 08:23
看了讨论，楼主想要的是不给定公差的情况下，自行计算，请参考K-means进行聚类即可

感谢大佬的点拨！