Python 三维空间中点个数密度的高效算法

我有三维空间中粒子的位置数据。粒子在3D框中处于随机位置，我试图找到最大数密度的位置。有没有一个简单的算法可以有效地做到这一点（我有几百万个粒子）？我试着使用一个类似于系统重心的概念（代码如下）。这给了我质量中心。有没有类似的方法来找到最大数密度的位置？ 我在考虑制作一些3d立方体，并将其分成更小的立方体，每个立方体中的粒子数是多少……但对于许多粒子来说，这需要很长时间

import numpy as np

X_data = np.random.random(100000) # x coordinates
Y_data = np.random.random(100000) # y-coordinates
Z_data = np.random.random(100000) # z-coordinates
#Assume all points are weighted equally

com_x = np.mean(X_data)
com_y = np.mean(Y_data)
com_z = np.mean(Z_data)
#Now have the centre of mass position

---

有@QuangHoang的东西谢谢，我以前没用过这个。你知道这是怎么回事吗？在统计学中，你有办法测量分布的中心，通常是平均值、中位数和模式。你要寻找的是一种测量离散度的方法，一些方法包括“数据集的范围和四分位数，以及诸如方差和标准差之类的扩散度量”。我想说的是：尝试实现或找到一个函数来计算数据集的标准偏差或四分位数。@Warrenmovic将八叉树python点云键入google另一个选项s以查找BVH（边界体积层次）@Warrenmovic您仍然需要为球指定半径，或者某种密度函数，根据粒子到球中心的距离来称量粒子。带有@QuangHoang的东西谢谢，我以前没有用过这个。你知道这是怎么回事吗？在统计学中，你有办法测量分布的中心，通常是平均值、中位数和模式。你要寻找的是一种测量离散度的方法，一些方法包括“数据集的范围和四分位数，以及诸如方差和标准差之类的扩散度量”。我想说的是：尝试实现或找到一个函数来计算数据集的标准偏差或四分位数。@Warrenmovic将八叉树python点云键入google另一个选项s以查找BVH（边界体积层次）@Warrenmovic您仍然需要为球指定半径，或者某种密度函数，根据粒子到球中心的距离来称量粒子。