【空间统计之六】点数据集方向分布统计（标准差椭圆）

点数据集描述性空间统计之六——方向分布统计（标准差椭圆）（Standard DeviationalEllipse)原理及python实现

1.原理

在上一篇圆概率误差统计中（详见：【空间分析之五】点数据集圆概率误差统计CEP（Circle Error Probable ) - ganquan78的博客 - CSDN博客），我们实现了对点数据集点X坐标、Y坐标以及距离的标准差计算，求出了以平均中心为圆心，CEP为半径的概率误差圆。这种统计方法简单易行，但是其缺陷在于，无法统计出点数据的方向趋势。在真实的地理环境下，点数据集的方向分布往往跟真实地理实体的走向具有相关性，比如某种流行病的分布方向与附近的河流走向紧密相关，又比如某种类型的犯罪事件分布方向与某条街道走向紧密相关，等等。这些方向特性可以通过对点数据的方向分布统计来计算。
通过测量平差等理论知识我们知道,点数据的距离标准差:
$${\delta }_d=\sqrt{{\delta }_x^2+{\delta }_y^2}$$
具有与坐标系统无关的特性，即无论坐标轴如何旋转，距离标准差始终保持不变，无法反应出在每个方位的标准差。
因此，可以通过定义一个标准差椭圆，来描述点数据集分布方向。描述标准差椭圆需要如下几个参数
1.椭圆的中心：为点数据集的平均中心。
2.椭圆的X轴的方向角（以正北为0度，顺时针旋转到X轴的角度）：
3.椭圆的长半轴的长度。坐标旋转后，点数据集在X轴的标准差大小，是所有方向标准差的最大值；
4.椭圆的短半轴的长度。坐标旋转后，点数据集在Y轴的标准差大小，是所有方向标准差的最小值。

2.计算公式

1）计算点数据集的平均中心，根据【空间分析之一】点数据集平均中心统计（Mean Center） - ganquan78的博客 - CSDN博客
可以求出点数据集的平均中心的X坐标和Y坐标：
$$\overline{X}和\overline{Y}$$
2）计算椭圆长轴方向角。
$$\theta =atan(\frac{A+B}{C})$$
A = ∑ i = 1 N ( x i − X ‾ ) 2 − ∑ i = 1 N ( y i − Y ‾ ) 2 A=\sum_{i=1}^{N}(x_i- \overline{X})^2-\sum_{i=1}^{N}(y_i- \overline{Y})^2