[英]How to efficiently count the number of spatial points within a certain distance around raster cells in R?
[英]How to pull points that are within a certain distance away in R?
我有一個由(x,y)給出的參數空間, x
值為1:5
, y
值為1:8
。 假設我的當前點p
位於(2,5)
(它以紅色着色)。 我的目標是嘗試在距離點p
(藍色點)一個單位距離內拉出所有點。
我想知道是否有一種有效的方法來做到這一點。 假設我的變量以下列方式存儲:
xrange <- 1:5
yrange <- 1:8
grid <- expand.grid(xrange,yrange)
p <- data.frame(x=2,y=5)
我想以這種方式存儲p
下面的其他點:
res <- data.frame(x=c(1,1,1,2,2,3,3,3),y=c(4,6,4,5,6,4,5,6))
res <- rbind(p,res)
> res
x y
1 2 5
2 1 4
3 1 6
4 1 4
5 2 5
6 2 6
7 3 4
8 3 5
9 3 6
最終目標是使參數空間超過2維。 所以我最終希望找到所有與歐幾里德距離相距s
點,並且類似地得到一個結果數據幀,每列是參數空間中的一個參數,每一行都是一個帶坐標的點(x,y,z,..,etc)
從其列。
編輯我已經嘗試了以下實現,如果我想要一個圓或歐幾里德距離s
,這似乎工作。 我不確定解決方案的效率如何。
eucdist <- function(z,p){
return(dist(rbind(z, p)))
}
# in this case s=1 since that is the <= condition
res <- do.call(rbind,lapply(1:nrow(grid),function(m) if(eucdist(as.numeric(grid[m,]),as.numeric(p[1,])) <= 1){return(grid[m,])}))
更多信息:目前,我的參數空間是離散的,如上圖所示。 最終,一些參數也將與離散參數連續混合。 非常感謝!
可以通過以下方式有效地計算網格上每個點與目標點p
的歐氏距離:
dist <- sqrt(rowSums(mapply(function(x,y) (x-y)^2, grid, p)))
基本上,內部mapply
調用將產生與grid
大小相同的矩陣,但該點與該維度中的目標點的距離為平方; 然后rowSums
和sqrt
有效地計算歐氏距離。
在這種情況下,您將包含與目標點的sqrt(2)
歐幾里德距離的任何內容:
grid[dist < 1.5,]
# Var1 Var2
# 16 1 4
# 17 2 4
# 18 3 4
# 21 1 5
# 22 2 5
# 23 3 5
# 26 1 6
# 27 2 6
# 28 3 6
使用mapply
(在維度上操作)和rowSums
比使用遍歷網格上的各個點的方法更有效,計算到目標點的距離。 要看到這一點,請考慮一個稍大的示例,其中包含三個維度中的1000個隨機分布點:
set.seed(144)
grid <- data.frame(x=rnorm(1000), y=rnorm(1000), z=rnorm(1000))
p <- data.frame(x=rnorm(1), y=rnorm(1), z=rnorm(1))
lim <- 1.5
byrow <- function(grid, p, lim) grid[apply(grid, 1, function(x) sqrt(sum((x-p)^2))) < lim,]
vectorized <- function(grid, p, lim) grid[sqrt(rowSums(mapply(function(x,y) (x-y)^2, grid, p))) < lim,]
identical(byrow(grid, p, lim), vectorized(grid, p, lim))
[1] TRUE
library(microbenchmark)
# Unit: microseconds
# expr min lq mean median uq max neval
# byrow(grid, p, lim) 446792.71 473428.137 500680.0431 495824.7765 521185.093 579999.745 10
# vectorized(grid, p, lim) 855.33 881.981 954.1773 907.3805 1081.658 1108.679 10
矢量化方法比循環遍歷行的方法快500倍。
這種方法可用於你有更多點(本例中為100萬)的情況:
set.seed(144)
grid <- data.frame(x=rnorm(1000000), y=rnorm(1000000), z=rnorm(1000000))
p <- data.frame(x=rnorm(1), y=rnorm(1), z=rnorm(1))
lim <- 1.5
system.time(vectorized(grid, p, lim))
# user system elapsed
# 3.466 0.136 3.632
以下是使用包FNN
。 結果與您的結果不同,因為您的解決方案有(1 4)和(2 5)兩次。 該解決方案也適用於邊界數據。 如果x或y為1,或者在矩陣的邊緣,則只有6個最近鄰居。
library(FNN)
x <-2
y <- 5
pt <-grid[grid$Var1==x & grid$Var2==y ,] #target point
distance <-knnx.dist(grid,pt,k=9) #distance from pt
k <-length(distance[distance<2]) #distance is less than 2. Useful for border data
nearest <-knnx.index(grid,pt,k=k) #find index of k nearest neighbors
grid[nearest,]
Var1 Var2
22 2 5
23 3 5
27 2 6
21 1 5
17 2 4
26 1 6
28 3 6
18 3 4
16 1 4
我看到你也要求更高的尺寸。 它仍然可以用於跟隨變化:
x <-2
y <- 5
z <-3
pt <-grid[grid$Var1==x & grid$Var2==y & grid$Var3==z ,] #3-dimensional point
distance <-knnx.dist(grid,pt,k=27) #increase to k=27
k <-length(distance[distance<2])
nearest <-knnx.index(grid,pt,k=k)
grid[nearest,]
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.