### 使用 Python 计算变异函数并创建半方差图 为了实现这一目标，可以采用 `pandas` 和 `numpy` 进行数据分析处理，并利用专门的空间统计包如 `pykrige` 或者更通用的数据可视化库 `matplotlib` 来完成绘图工作。下面提供了一种基于这些库的具体实施方案。 #### 导入必要的库 ```python import numpy as np import pandas as pd import matplotlib.pyplot as plt from pykrige.variogram_models import spherical_variogram_model, exponential_variogram_model, gaussian_variogram_model ``` #### 准备数据集 假设有一个包含位置坐标（X,Y）及其对应观测值Z的数据框df。 ```python # 创建示例数据帧 df data = {'X': np.random.uniform(0, 100, size=100), 'Y': np.random.uniform(0, 100, size=100), 'Z': np.random.normal(loc=50, scale=15, size=100)} df = pd.DataFrame(data) ``` #### 定义计算变异函数的辅助函数 此部分定义了一个名为 `calculate_semivariogram` 的函数，该函数接收距离间隔参数 `lag_size`, 距离区间数量 `n_lags` 及其他可选参数作为输入，返回一个字典形式的结果，其中包含了各组别的平均间距与相应的实验性半方差估计值。 ```python def calculate_semivariogram(df, lag_size, n_lags): variogram_dict = {} for i in range(n_lags): lower_bound = i * lag_size upper_bound = (i + 1) * lag_size pairs_within_range = [] for idx_i, row_i in df.iterrows(): for idx_j, row_j in df.iterrows(): if idx_i != idx_j: distance = ((row_i['X'] - row_j['X']) ** 2 + (row_i['Y'] - row_j['Y']) ** 2) ** 0.5 if lower_bound <= distance < upper_bound: diff_squared = (row_i['Z'] - row_j['Z']) ** 2 / 2 pairs_within_range.append(diff_squared) avg_distance = (lower_bound + upper_bound) / 2 semivariance = sum(pairs_within_range) / max(len(pairs_within_range), 1) variogram_dict[avg_distance] = semivariance return variogram_dict ``` #### 执行计算过程 调用上述定义好的函数来进行实际运算，获取到所需的经验半方差信息。 ```python result = calculate_semivariogram(df=df, lag_size=10, n_lags=9) distances, semi_vars = zip(*sorted(result.items())) ``` #### 绘制图形展示结果 最后一步就是通过图表直观呈现所得出的信息了。 ```python plt.figure(figsize=(8,6)) plt.plot(distances, semi_vars, marker='o', linestyle='-') plt.title('Empirical Semivariogram Plot') plt.xlabel('Distance Between Points') plt.ylabel('Semivariance Value') plt.grid(True) plt.show() ``` 以上即为完整的流程说明及相应代码片段[^1]。值得注意的是，在真实应用场景下还需要考虑更多细节问题，比如异常值处理、模型拟合优劣评估等；此外也可以尝试不同的理论变程模型来更好地匹配实际情况下的样本特征。