Datos espaciales de SciPy
Los datos espaciales, también conocidos como datos geométricos, se utilizan para representar información como la posición, la forma, la distribución del tamaño de los objetos, por ejemplo, puntos en coordenadas.
SciPy maneja datos espaciales mediante el módulo scipy.spatial, como determinar si un punto está dentro de un límite, calcular el punto más cercano a un punto dado y todos los puntos dentro de una distancia dada.
Triangulación
La triangulación es un método en trigonometría y geometría que mide la distancia a un punto objetivo midiendo los ángulos entre el punto objetivo y los extremos conocidos de una línea base fija.
La triangulación de un polígono consiste en dividir el polígono en varios triángulos; podemos usar estos triángulos para calcular el área del polígono.
Un hecho conocido en topología nos dice que toda superficie tiene una triangulación.
Supongamos que hay una triangulación en una superficie. Denotamos el número total de vértices de todos los triángulos como p (los vértices comunes se cuentan solo una vez), el número de aristas como a y el número de triángulos como n. Entonces e = p - a + n es un invariante topológico de la superficie. Es decir, sin importar la triangulación, e siempre toma el mismo valor. e se llama característica de Euler.
El método para triangular una serie de puntos es la triangulación de Delaunay().
Ejemplo
Crea triángulos a partir de los puntos dados:
from scipy.spatial import Delaunay
import matplotlib.pyplot as plt
points = np.array([
[2, 4],
[3, 4],
[3, 0],
[2, 2],
[4, 1]
])
simplices = Delaunay(points).simplices # Índices de los vértices en los triángulos
plt.triplot(points[:, 0], points[:, 1], simplices)
plt.scatter(points[:, 0], points[:, 1], color='r')
plt.show()
El resultado se muestra en la siguiente figura:

Nota:Los ids de los vértices de los triángulos se almacenan en el atributo simplices del objeto de triangulación.
Casco convexo
El casco convexo (Convex Hull) es un concepto en geometría computacional (gráficos).
En un espacio vectorial real V, para un conjunto dado X, la intersección S de todos los conjuntos convexos que contienen a X se llama el casco convexo de X. El casco convexo de X puede construirse mediante combinaciones convexas de todos los puntos (X1, ..., Xn) en X.
Podemos usar el método ConvexHull() para crear el casco convexo.
Ejemplo
Crea un casco convexo a partir de los puntos dados:
from scipy.spatial import ConvexHull
import matplotlib.pyplot as plt
points = np.array([
[2, 4],
[3, 4],
[3, 0],
[2, 2],
[4, 1],
[1, 2],
[5, 0],
[3, 1],
[1, 2],
[0, 2]
])
hull = ConvexHull(points)
hull_points = hull.simplices
plt.scatter(points[:,0], points[:,1])
for simplex in hull_points:
plt.plot(points[simplex,0], points[simplex,1], 'k-')
plt.show()
El resultado se muestra en la siguiente figura:

Árbol K-D
kd-tree (abreviatura de árbol k-dimensional) es una estructura de datos en forma de árbol que almacena puntos de instancia en un espacio k-dimensional para permitir una recuperación rápida. Se aplica principalmente a la búsqueda de datos clave en espacios multidimensionales, como la búsqueda por rango y la búsqueda del vecino más cercano.
El árbol K-D se puede utilizar en diversas aplicaciones, como la búsqueda de claves multidimensionales (búsqueda por rango y búsqueda del vecino más cercano).
La búsqueda del vecino más cercano se usa para encontrar el punto en el árbol más cercano al punto de entrada.
KDTree()El método devuelve un objeto KDTree.
query()El método devuelve la distancia del vecino más cercano y la posición del vecino más cercano.
Ejemplo
Encuentra la distancia del vecino más cercano a (1,1):
points = [(1, -1), (2, 3), (-2, 3), (2, -3)]
kdtree = KDTree(points)
res = kdtree.query((1, 1))
print(res)
El resultado se muestra en la siguiente figura:
(2.0, 0)
Matriz de distancias
En matemáticas, una matriz de distancias es una matriz (arreglo bidimensional) cuyos elementos son las distancias entre puntos. Por lo tanto, dados N puntos en el espacio euclidiano, su matriz de distancias es una matriz con números reales no negativos como elementos.N×NLa matriz simétrica. El concepto de matriz de distancias es similar al de matriz de adyacencia; la diferencia es que esta última solo indica si hay aristas entre los elementos (puntos), pero no contiene información sobre la distancia de conexión entre ellos. Por lo tanto, la matriz de distancias puede considerarse como una forma ponderada de la matriz de adyacencia.
Por ejemplo, analicemos los siguientes puntos bidimensionales de a a f. Aquí, tomamos la métrica euclidiana entre los píxeles de los puntos como medida de distancia.

Su matriz de distancias es:

Estos datos de la matriz de distancias pueden verse además como un mapa de calor en representación gráfica (como se muestra a continuación), donde el negro representa distancia cero y el blanco representa distancia máxima.

En bioinformática, las matrices de distancias se utilizan para representar estructuras de proteínas independientes del sistema de coordenadas, así como las distancias entre dos secuencias en el espacio de secuencias. Estas representaciones se usan en la comparación de estructuras, la alineación de secuencias y en la determinación de estructuras de proteínas mediante resonancia magnética nuclear, rayos X y cristalografía.
Distancia euclidiana
En matemáticas, la distancia euclidiana o métrica euclidiana es la distancia "ordinaria" (es decir, en línea recta) entre dos puntos en el espacio euclidiano. Con esta distancia, el espacio euclidiano se convierte en un espacio métrico. La norma asociada se denomina norma euclidiana. En la literatura más antigua se la llama métrica pitagórica.
La métrica euclidiana (euclidean metric), también llamada distancia euclidiana, es una definición de distancia comúnmente utilizada; se refiere a la distancia real entre dos puntos en un espacio m-dimensional, o a la longitud natural de un vector (es decir, la distancia del punto al origen). En espacios bidimensionales y tridimensionales, la distancia euclidiana es la distancia real entre dos puntos.
El siguiente ejemplo calcula la distancia euclidiana entre los puntos dados:
Ejemplo
p1 = (1, 0)
p2 = (10, 2)
res = euclidean(p1, p2)
print(res)
El resultado se muestra en la siguiente figura:
9.21954445729
Distancia de Manhattan
La geometría del taxi o distancia de Manhattan (Manhattan Distance) es un término acuñado por Hermann Minkowski en el siglo XIX; es una expresión geométrica utilizada en espacios métricos geométricos para indicar la suma de las distancias absolutas en los ejes de dos puntos en un sistema de coordenadas estándar.
La distancia de Manhattan solo permite moverse en cuatro direcciones: arriba, abajo, izquierda y derecha, y la distancia de Manhattan entre dos puntos es la distancia más corta entre ellos.
Distancia de Manhattan y euclidiana: las líneas roja, azul y amarilla representan respectivamente que todas las distancias de Manhattan tienen la misma longitud (12), mientras que la línea verde representa que la distancia euclidiana tiene una longitud de 6×√2 ≈ 8.48.

El siguiente ejemplo calcula la distancia de Manhattan a partir de los puntos dados:
Ejemplo
p1 = (1, 0)
p2 = (10, 2)
res = cityblock(p1, p2)
print(res)
El resultado es:
11
Distancia coseno
La distancia coseno, también conocida como similitud coseno, mide la similitud entre dos vectores mediante el coseno del ángulo entre ellos.
El coseno de un ángulo de 0 grados es 1, mientras que el coseno de cualquier otro ángulo no es mayor que 1, y su valor mínimo es -1.
El siguiente ejemplo calcula la distancia coseno entre los puntos A y B:
Ejemplo
p1 = (1, 0)
p2 = (10, 2)
res = cosine(p1, p2)
print(res)
El resultado es:
0.019419324309079777
Distancia de Hamming
En teoría de la información, la distancia de Hamming entre dos cadenas de igual longitud es el número de caracteres diferentes en las posiciones correspondientes de las dos cadenas. En otras palabras, es el número de caracteres que deben reemplazarse para transformar una cadena en la otra.
El peso de Hamming es la distancia de Hamming de una cadena con respecto a la cadena cero de la misma longitud; es decir, es el número de elementos distintos de cero en la cadena: para cadenas binarias, es el número de unos, por lo que el peso de Hamming de 11101 es 4.
- 1011101y1001001La distancia de Hamming entre ellos es 2.
- 2143896y2233796La distancia de Hamming entre ellos es 3.
- "toned"y"rosesLa distancia de Hamming entre ellos es 3.
El siguiente ejemplo calcula la distancia de Hamming entre dos puntos:
Ejemplo
p1 = (True, False, True)
p2 = (False, True, True)
res = hamming(p1, p2)
print(res)
El resultado es:
0.666666666667Otras extensiones