首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

在Python中排除建筑物形状列表中的点

,可以通过以下步骤实现:

  1. 首先,我们需要了解建筑物形状列表和点的数据结构。建筑物形状列表可能是一个包含多个建筑物形状的列表,每个建筑物形状可能由多个点组成。点可以用坐标表示,例如(x, y)。
  2. 排除点的操作可以理解为从建筑物形状列表中删除包含特定点的形状。我们可以使用循环迭代建筑物形状列表中的每个形状,检查每个形状是否包含要排除的点。
  3. 在Python中,可以使用条件判断和列表操作来实现上述操作。具体步骤如下:
  4. a. 定义一个空列表来存储不包含要排除点的建筑物形状。
  5. b. 使用循环迭代建筑物形状列表中的每个形状。
  6. c. 对于每个形状,使用条件判断检查形状是否包含要排除的点。
  7. d. 如果形状不包含要排除的点,则将其添加到之前定义的空列表中。
  8. 最后,返回包含不包含要排除点的建筑物形状的新列表。

以下是一个示例代码:

代码语言:txt
复制
def exclude_points(building_shapes, excluded_points):
    filtered_shapes = []
    for shape in building_shapes:
        if not any(point in shape for point in excluded_points):
            filtered_shapes.append(shape)
    return filtered_shapes

# 示例用法
building_shapes = [
    [(0, 0), (0, 1), (1, 1), (1, 0)],  # 建筑物形状1
    [(1, 1), (1, 2), (2, 2), (2, 1)],  # 建筑物形状2
    [(2, 2), (2, 3), (3, 3), (3, 2)],  # 建筑物形状3
]
excluded_points = [(1, 1), (2, 2)]

filtered_shapes = exclude_points(building_shapes, excluded_points)
print(filtered_shapes)

在上述示例中,我们定义了一个exclude_points函数,它接受建筑物形状列表和要排除的点列表作为参数,并返回不包含要排除点的建筑物形状的新列表。示例用法中,我们排除了坐标为(1, 1)和(2, 2)的点,最终输出了不包含这些点的建筑物形状列表。

请注意,上述示例代码仅演示了如何在Python中排除建筑物形状列表中的点,具体实现可能因实际情况而异。对于更复杂的应用场景,可能需要考虑更多因素,并进行适当的修改。

页面内容是否对你有帮助?
有帮助
没帮助

相关·内容

  • 2021-08-06:天际线问题。城市的天际线是从远处观看该城

    2021-08-06:天际线问题。城市的天际线是从远处观看该城市中所有建筑物形成的轮廓的外部轮廓。给你所有建筑物的位置和高度,请返回由这些建筑物形成的 天际线 。每个建筑物的几何信息由数组 buildings 表示,其中三元组 buildingsi = lefti, righti, heighti 表示:lefti 是第 i 座建筑物左边缘的 x 坐标。righti 是第 i 座建筑物右边缘的 x 坐标。heighti 是第 i 座建筑物的高度。天际线 应该表示为由 “关键点” 组成的列表,格式 [x1,y1,x2,y2,...] ,并按 x 坐标 进行 排序 。关键点是水平线段的左端点。列表中最后一个点是最右侧建筑物的终点,y 坐标始终为 0 ,仅用于标记天际线的终点。此外,任何两个相邻建筑物之间的地面都应被视为天际线轮廓的一部分。注意:输出天际线中不得有连续的相同高度的水平线。例如 [...2 3, 4 5, 7 5, 11 5, 12 7...] 是不正确的答案;三条高度为 5 的线应该在最终输出中合并为一个:[...2 3, 4 5, 12 7, ...]

    01

    遥感数据:基于综合大比例尺测绘框架的首个高质量东亚国家建筑物矢量数据(东亚 2.8 亿栋建筑的空间分布图)

    建筑作为人类生活不可分割的一部分,在城市管理和城市分析领域至关重要。为了促进大规模城市规划应用,获取完整可靠的建筑数据势在必行。目前有一些公开产品可以提供大量建筑数据,如微软和开放街道地图。但在东亚地区,由于建筑物分布较为复杂,辅助数据匮乏,这些地区的建筑数据比较缺乏,阻碍了东亚地区的大规模应用。一些研究试图利用当地不完整的建筑足迹数据,通过回归模拟大规模的建筑分布信息。然而,对不准确建筑数据的依赖会带来累积误差,使这种模拟数据极不可靠,导致在东亚地区实现精确研究受到限制。因此,我们针对东亚地区建筑物的复杂性,提出了一个全面的大规模建筑物绘图框架,并在东亚 5 个国家的 2,897 个城市进行了建筑物足迹提取,获得了 281,093,433 栋建筑物的大量数据集。评估结果表明,我们的建筑产品是有效的,总体平均准确率为 89.63%,F1 得分为 82.55%。此外,与现有产品的比较进一步显示了我们的建筑数据的高质量和完整性。最后,我们对建筑数据进行了空间分析,揭示了其在支持城市相关研究方面的价值。本文数据可从http:// https://doi.org/10.5281/zenodo.8174931下载。

    01

    语言处理AI被谷歌地图训练:年删帖过亿条,训练样本海量

    ---- 新智元报道   编辑:袁榭 拉燕 【新智元导读】从自动识别街牌、到自动删除诈骗信息,谷歌地图这个项目现在越发依赖于机器学习的工具。 遏制不良网络动态的未来,掌握在机器学习的手中。 在搜索业巨擘谷歌的手中,机器学习工具在2021年通过监管谷歌地图上的违规行为,得到了真正的锻炼。 谷歌地图团队表示:「我们的团队致力于让真人用户在地图上发布的内容尽量可靠,并基于现实世界的亲身体验。这项工作有助于保护企业免受欺凌和诈骗,并确保评论对用户有帮助。这个内容政策旨在防止我们的平台上出现误导性、虚假性和辱

    02
    领券