Scikit-learn中BallTree的query_radius方法radius参数输入要求咨询

BallTree.query_radius方法的radius参数取值没有统一的固定换算规则，完全与你初始化BallTree实例时指定的距离度量（metric）保持一致，具体分两种常用场景说明：

地理坐标（经纬度）使用Haversine度量场景 #

如果初始化BallTree时指定metric='haversine'，此时所有距离计算的单位为弧度，radius参数需要传入换算后的弧度值，换算公式为：
radius = 待搜索实际物理半径 / 地球半径

• 地球半径常用取值为6371km（匹配公里单位的物理半径）或3956英里（匹配英里单位的物理半径），需与你使用的物理半径单位严格对应
• 注意Haversine度量要求输入的经纬度坐标必须先转换为弧度值，若直接传入度为单位的经纬度，即使radius换算正确也会得到错误结果

常规度量使用场景 #

如果初始化BallTree时使用欧氏距离、曼哈顿距离等常规度量，radius参数直接传入与输入特征维度匹配的数值即可，无需额外换算。例如输入特征为平面直角坐标系下的米级坐标，要搜索50米范围内的点，直接传入radius=50即可。 #

常见结果不符合预期的排查点 #

• 确认初始化BallTree时的metric参数与你预期的距离规则一致
• 确认输入特征的单位/格式与metric要求匹配
• 确认物理半径与地球半径的单位是否匹配

正确使用示例（Haversine场景） #

import numpy as np
from sklearn.neighbors import BallTree

# 输入经纬度（格式为[纬度, 经度]）先转换为弧度
coords = np.radians(np.array([
    [39.9, 116.3], # 北京
    [31.2, 121.4], # 上海
    [23.1, 113.2]  # 广州
]))
# 初始化BallTree，指定haversine度量
tree = BallTree(coords, metric='haversine')

# 搜索北京周边100公里范围内的点，换算为弧度单位
search_radius = 100 / 6371
result_indices = tree.query_radius(np.radians(np.array([[39.9, 116.3]])), r=search_radius)

内容的提问来源于stack exchange，提问作者JoeShmo