R 找到最高浓度的区域

我有一个大数据集（200万行），其中每行代表一个点，其空间坐标以米为单位（x和y）及其分数。看起来是这样的：

my_points <- data.frame(ID = 1:2e6, 
    x = sample(x = 1:1e6, size = 2e6, replace = TRUE), 
    y = sample(x = 1:1e6, size = 2e6, replace = TRUE), 
    Score = sample(x = 1:1e3, size = 2e6, replace = TRUE))

head(my_points)
# ID      x      y Score
#  1  21984 628151    54
#  2 675714  27715   431
#  3 273248 127287    47
#  4 659750 795394   921
#  5 478142 417083   416
#  6 783249 440782   253

---

my_points好的-我认为我的解决方案可行，但速度太慢了

library(Rcpp)

sourceCpp(code = '
  #include <Rcpp.h>

  using namespace Rcpp;

  // determine, if a point is in a polygon
  bool pnp(NumericVector vertx, NumericVector verty, float testx, float testy) {

    int nvert = vertx.size();
    bool c = FALSE;
    int i, j = 0;

    for (i = 0, j = nvert-1; i < nvert; j = i++) {
      if ( ((verty[i]>testy) != (verty[j]>testy)) &&
           (testx < (vertx[j]-vertx[i]) * (testy-verty[i]) / (verty[j]-verty[i]) + vertx[i]) )
        c = !c;
    }

    return c;
  }

  // create a circle polygon (36 corners) around a point with a certain radius
  NumericMatrix circle(float centerx, float centery, float radius){

    int pnum = 36;
    double rotation = 2 * 3.14159 / pnum;
    NumericMatrix res(36, 2);

    for (int p1 = 0; p1 < pnum; ++p1) {
        double rot = p1 * rotation;
        res(p1, 0) = centerx + cos(rot) * radius;
        res(p1, 1) = centery + sin(rot) * radius;
    }

    return res;
  }

  // create a vector with the circle score sum of each point 
  // [[Rcpp::export]]
  NumericVector searchmaxclust(DataFrame points) {

    Function asMatrix("as.matrix");

    SEXP points2m = points;
    NumericMatrix pm = asMatrix(points2m);

    NumericVector co(pm.nrow());

    for (int p1 = 0; p1 < pm.nrow(); p1++) {
      NumericVector curp = pm(p1,_);
      NumericMatrix circ = circle(curp(1), curp(2), 100.0);

      for (int p2 = 0; p2 < pm.nrow(); p2++) {
        NumericVector curp2 = pm(p2,_);
        bool isin = pnp(circ(_,0), circ(_,1), curp2(1), curp2(2));

        if (isin) {
          co(p1) = co(p1) + curp2(3);
        }

      }

    }

    return co;
  }
')

库（Rcpp）
sourceCpp（代码=）
#包括
使用名称空间Rcpp；
//确定点是否位于多边形中
布尔pnp（数值向量顶点X、数值向量顶点Y、浮点测试X、浮点测试Y）{
int nvert=vertx.size（）；
boolc=假；
int i，j=0；
对于（i=0，j=nvert-1；itesty）！=（verty[j]>testy））&&
（testx<（vertx[j]-vertx[i]）*（testy-verty[i]）/（verty[j]-verty[i]）+vertx[i]））
c=！c；
}
返回c；
}
//围绕具有特定半径的点创建圆形多边形（36个角）
数字矩阵圆（浮动中心X、浮动中心Y、浮动半径）{
int pnum=36；
双旋转=2*3.14159/pnum；
数字矩阵res（36,2）；
对于（int p1=0；p1

我使用Rcpp来加快速度——算法非常简单

围绕每个点创建一个圆形多边形
检查所有其他点是否在圆多边形内，并将正确点的所有分数相加
1000点大约需要0.6秒。我想这意味着，你的200万分大约需要一个月的时间。嗯，我还是决定把这个发出去。也许它能帮助别人
 谢谢你@nevrome！但是，在您的解决方案中，您仅测试作为圆心的初始点。但是收集最高分数的区域中心没有理由成为我初始数据的一个点…哦-好的。另一个想法是：也许使用光栅软件包进行图像分析是可行的。他们已经为光栅数据实现了非常快速的算法。