Как сгруппировать 3D-точки ближе порога расстояния в Python?

Я не уверен, правильно ли я понял, но считаю, что проблему, которую вы описываете, можно свести к следующему: создать минимальное количество сфер заданного диаметра, покрывающих набор точек, принадлежащих трехмерному пространству.

На бирже стека CS есть сообщение, описывающее именно эту проблему вместе с описанием алгоритма, который может ее решить: https://cs.stackexchange.com/questions/48412/cover-points-with-minimal-number -сфер фиксированного радиуса

Кажется, что решение заключается в решении NP-сложной проблемы, поэтому в зависимости от размера ваших входных данных это может быть неосуществимо. Существует репозиторий, который, кажется, содержит реализацию алгоритма, предложенного в сообщении об обмене стеками CS: https://github.com/farjasju/CliqueCover. Он также содержит эвристическую реализацию, которая, вероятно, не приведет к оптимальному решению, но может оказаться достаточно хорошим для вашего варианта использования.

В сообщении также предлагается взглянуть на кластеризацию, которая, я думаю, может не соответствовать вашим потребностям, но может стать направлением для изучения, если вы обнаружите, что описанный выше подход не работает.

IIUC, вы можете создать DistanceBand с вашим порогом, а затем удалить linked_comComponents :

import networkx as nx
from libpysal import weights

# an example of a Set of points / a list of (x,y,z)
SP = list(nx.spectral_layout(nx.dodecahedral_graph(), dim=3).values())

G = weights.DistanceBand.from_array(SP, threshold=0.7).to_networkx()

to_keep, to_remove = [], []

for cc in nx.connected_components(G):
    if len(cc) > 1:
        to_remove.extend(cc)
    else:
        to_keep.extend(cc)

Выход :

(
    # to_keep
    [6, 7, 11, 18],
    # to_remove
    [0, 1, 8, 9, 10, 19, 2, 3, 4, 5, 15, 16, 17, 12, 13, 14]
)

Или, если вы хотите заменить их центроидом, вы можете вычислить среднее значение :

import numpy as np

new_sp = []
for cc in nx.connected_components(G):
    if len(cc) > 1:
        centroid = np.r_[SP][list(cc)].mean(axis=0)
        new_sp.append(centroid)
    else:
        new_sp.append(SP[cc.pop()])

Края (с distance < 0.7):

[
    {"path": "P00 to P01", "distance": 0.4468164592001661},
    {"path": "P15 to P16", "distance": 0.4468164592001661},
    {"path": "P09 to P10", "distance": 0.5088742649122014},
    {"path": "P04 to P05", "distance": 0.5088742649122014},
    {"path": "P02 to P03", "distance": 0.5758406756748694},
    {"path": "P12 to P13", "distance": 0.5758406756748694},
    {"path": "P03 to P19", "distance": 0.6055080439746322},
    {"path": "P13 to P14", "distance": 0.6055080439746322},
    {"path": "P08 to P09", "distance": 0.6214374803748165},
    {"path": "P04 to P17", "distance": 0.6214374803748165},
    {"path": "P01 to P08", "distance": 0.6943680760117862},
    {"path": "P16 to P17", "distance": 0.6943680760117862},
    # ...
]