如何在Python中按对象位置属性及阈值实现分组

根据你的需求，要实现按**位置相近程度（阈值内）**分组，需要分两种场景处理：

1. 一维位置（如单一数值坐标） #

如果location是一维数值（比如距离、x轴坐标），可以通过分桶的方式，把落在同一阈值区间内的对象归为一组。核心是将位置值按阈值缩放后取整，生成统一的分组键。

示例代码：

from collections import defaultdict
import math

threshold = 5.0  # 自定义距离阈值
groups = defaultdict(list)

for o in objects_list:
    # 按阈值向下取整生成桶键，也可替换为round()实现四舍五入分桶
    bucket_key = math.floor(o.location / threshold) * threshold
    groups[bucket_key].append(o)

grouped_objects = groups.values()

2. 多维位置（如二维(x,y)坐标） #

如果是多维坐标，需要基于距离判断来分组，推荐用密度聚类算法（如DBSCAN），它能自动识别阈值内的相邻对象并分组，适合数据量较大的场景。

依赖第三方库实现（高效） #

from sklearn.cluster import DBSCAN
import numpy as np
from collections import defaultdict

threshold = 3.0  # 距离阈值
# 提取所有对象的位置坐标（假设location是二维元组/列表）
locations = np.array([o.location for o in objects_list])
# DBSCAN参数：eps为距离阈值，min_samples=1表示单个对象也可成组
dbscan = DBSCAN(eps=threshold, min_samples=1)
cluster_labels = dbscan.fit_predict(locations)

# 根据聚类标签分组
groups = defaultdict(list)
for obj, label in zip(objects_list, cluster_labels):
    groups[label].append(obj)

grouped_objects = groups.values()

手动实现（无依赖，适合小数据量） #

如果不想引入第三方库，可以手动遍历检查每个对象与已有组的距离：

from collections import defaultdict
import math

def calc_euclidean_distance(loc1, loc2):
    # 计算欧氏距离，支持任意维度
    return math.sqrt(sum((a - b)**2 for a, b in zip(loc1, loc2)))

threshold = 3.0
groups = []

for obj in objects_list:
    added = False
    # 遍历已有组，寻找距离符合阈值的组
    for group in groups:
        if calc_euclidean_distance(obj.location, group[0].location) <= threshold:
            group.append(obj)
            added = True
            break
    if not added:
        # 无匹配组则新建
        groups.append([obj])

grouped_objects = groups

内容的提问来源于stack exchange，提问作者mqbaka mqbaka