如何查找数组中不等于给定点的最近邻点

不需要更换现有KDTree方案，仅需要补充少量过滤逻辑即可实现需求，比替换其他近邻查询工具或手写实现效率更高，以下是两种常用实现方式：

方案1：多查若干最近邻，跳过等值点 #

KDTree的query方法支持返回前k个最近点，你可以查询k≥2的结果，遍历返回结果跳过和x等值的点，取第一个非等值点即可：

import numpy as np
from scipy.spatial import KDTree

# 示例数据
point_arr = np.array([[1, 2], [3, 4], [1, 2], [5, 6]])
x = np.array([1, 2])

# 构建KDTree
tree = KDTree(point_arr)
# 多查询几个近邻，避免数组内存在多个和x等值的点
query_k = 3
dists, indices = tree.query(x, k=query_k)

target_y = None
min_distance = None
# 浮点数比较加极小容差，避免精度问题导致误判
tolerance = 1e-9
for d, idx in zip(dists, indices):
    if d > tolerance:
        target_y = point_arr[idx]
        min_distance = d
        break

if target_y is None:
    print("数组内所有点均和x相等，无符合要求的近邻点")
else:
    print(f"符合条件的最近邻：{target_y}，距离：{min_distance}")

方案2：先对数组去重再构建KDTree #

如果你的数值数组内存在大量重复点，可以提前对数组去重后再构建KDTree，后续直接查询k=1即可，能有效降低查询开销：

import numpy as np
from scipy.spatial import KDTree

point_arr = np.array([[1, 2], [3, 4], [1, 2], [5, 6]])
# 按行去重
unique_points = np.unique(point_arr, axis=0)
x = np.array([1, 2])

tree = KDTree(unique_points)
min_dist, idx = tree.query(x, k=1)

tolerance = 1e-9
if min_dist < tolerance and len(unique_points) == 1:
    print("数组内所有点均和x相等，无符合要求的近邻点")
else:
    target_y = unique_points[idx]
    print(f"符合条件的最近邻：{target_y}，距离：{min_dist}")

注意：如果所有点都和x相等，两种方案都需要加兜底判断，避免运行报错。

内容的提问来源于stack exchange，提问作者CBBAM