python - 在GPS数据中查找核密度估计的模式

我正在分析权重表示“重要性”的GPS位置数据。这可以很容易地绘制为热图，例如在谷歌地图。
我想使用python数据堆栈对此进行分析，尤其是要查找内核密度估计的模式。

如何在python中计算KDE的模式？

具体地说，以https://scikit-learn.org/stable/auto_examples/neighbors/plot_species_kde.html中的示例为例，您将如何找到最有可能找到“ Bradypus variegatus”物种的位置？

最佳答案

让我们考虑一个获取kde-estimation的简单示例：

import numpy as np
from scipy.stats import gaussian_kde
from pylab import plt

np.random.seed(10)

x = np.random.rand(100)
y = np.random.rand(100)
kde = gaussian_kde(np.vstack([x, y]))
X, Y = np.meshgrid(np.linspace(0, 1, 100), np.linspace(0, 1, 100))
Z = kde(np.vstack([X.ravel(), Y.ravel()])).reshape(X.shape)

plt.contourf(X, Y, Z)
plt.show()

现在，我们可以获得坐标X和Y，其中Z取其最大值：

X.ravel()[np.argmax(Z.ravel())]

0.3535353535353536

Y.ravel()[np.argmax(Z.ravel())]

0.5555555555555556

在实践中，当估计发生概率最高的位置时，一些
物种，您不仅需要一个位置，还需要周围的一些区域。
在这种情况下，您可以选择所有位置，例如
大于所有可能概率值的90％，例如

Y.ravel()[Z.ravel() > np.percentile(Z, 90)]
X.ravel()[Z.ravel() > np.percentile(Z, 90)]

对于cited example，您可以尝试使用相同的方法来获得所需的结果。可能您需要调整阈值，例如选择75％而不是90％的值。

关于python - 在GPS数据中查找核密度估计的模式，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/55824415/