Python计算散点数据密度并保存结果至Excel

import pandas as pd
import numpy as np
from scipy.spatial import KDTree

# 从Excel文件读取经纬度数据
dp = pd.read_excel('D:\pythonProject3\会员信息\附件二：会员信息数据.xlsx')
x = np.array(dp['商品GPS纬度'])
y = np.array(dp['商品GPS经度'])

# 构建二维坐标数组
points = np.column_stack((x, y))

# 创建KDTree对象
kdtree = KDTree(points)

# 设置搜索半径并计算密度
r = 0.1  # 调整r的值以控制密度的计算范围
density = kdtree.query_ball_point(points, r=r)
density_list = [len(d) for d in density]

# 保存结果到DataFrame并输出到Excel
df_density = pd.DataFrame({'Density': density_list})
df_density.to_excel('D:\pythonProject3\商品信息\商品密度.xlsx', index=False)
print('密度计算完成，结果已保存至Excel文件。')

这段代码演示了如何使用Python计算散点数据的密度并将结果保存到Excel文件。

代码解析：

1. 首先，代码从Excel文件读取商品的GPS纬度和经度数据，存储在NumPy数组x和y中。
2. 然后，将x和y数组合并为一个二维数组points，每一行表示一个点的坐标。
3. 接着，使用scipy.spatial.KDTree类创建一个KD树对象kdtree，利用KD树可以快速查找最近邻点。
4. 使用kdtree的query_ball_point方法计算每个点的密度。该方法返回与每个点在给定半径r范围内的所有点的索引。
5. 通过统计每个点在半径r内的邻居数量，计算出每个点的密度，并将结果存储在density_list列表中。
6. 最后，创建一个DataFrame对象df_density，将密度列表转换为DataFrame，并将结果保存到Excel文件中。

注意事项：

• 请根据实际情况修改代码中的文件路径和文件名。
• 需要安装pandas、numpy和scipy库才能运行这段代码。
• 调整搜索半径r的值可以控制密度的计算范围，r越大，密度计算结果越平滑。