Python GPS数据核密度估计的求取模式

我在分析GPS定位数据，权重表示“重要性”。这可以很容易地绘制为热图，例如在谷歌地图中。 我想使用python数据堆栈对此进行分析，特别是想找到内核密度估计的模式

如何在python中计算KDE的模式

---

非常具体地，举例来说，您将如何找到找到“短尾瓢虫”物种的概率最高的位置？

让我们考虑一个简单的KDE估计的例子：

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，我们可以得到坐标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，在估计发生概率最高的位置时 物种，你不仅需要一个位置，还需要它周围的一些区域。 在这种情况下，您可以选择，例如，概率 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)]

---

在这种情况下，您可以尝试相同的方法来获得所需的结果。您可能需要调整阈值，例如，选择75%而不是90%的值。

此解决方案在网格上对KDE进行采样，并选择最高值-正常，但效率不高。我想一定有一些梯度爬升法，它收敛得很好，不局限于网格。这可以在KDE的生成点的不同位置进行播种。你知道怎么做吗？获取最大值应该很快，

np.argmax，[Z.ravel（）>…]

是用C实现的；我怀疑kde的计算是一个瓶颈；可能基于

cKDTree

的Scikit学习核密度估计器足够有效。