ordinarykringing

我使用pykrige.ok.OrdinaryKriging中的插值算法对PM10数据进行插值画图，输出的结果出现特别大的值和特别小的值，用同样的代码调用其他数据，比如AQI，输出结果和预期一样，请问知道为什么吗？

from pykrige.ok import OrdinaryKriging
import pandas as pd
import numpy as np

df = pd.read_excel('test_for_kriging.xlsx')


def data_set(df,type_='AQI'):
    Krin = OrdinaryKriging(df['经度'].values, df['纬度'].values, df[type_].values, variogram_model='linear')#,nlags=6)#gaussian linear
    olon = np.arange(73,136,0.5)
    olat = np.arange(14,55,0.5)
    data, ssl = Krin.execute('grid', olon, olat)
    olon,olat = np.meshgrid(olon,olat)
    return olon, olat, data

olon,olat,data = data_set(df,'PM10')

可能出现特别大和特别小的值是因为在执行插值时，超出原始数据范围的点可能使用了较远的邻居节点，从而导致了结果的异常值。这种情况通常在使用较大的插值范围时更容易发生。可以使用其他插值算法进行插值，例如：径向基函数插值算法（RBF）或反距离插值算法（IDW）等。
下面是一个示例代码，它使用了RBF插值算法：

from pykrige.rk import Krige
import pandas as pd
import numpy as np
 
df = pd.read_excel('test_for_kriging.xlsx')
 
 
def data_set(df,type_='AQI'):
    Krin = Krige(df[['经度', '纬度']].values, df[type_].values, variogram_model='linear', verbose=False, enable_plotting=False)
    olon = np.arange(73,136,0.5)
    olat = np.arange(14,55,0.5)
    data = Krin.execute('grid', olon, olat)
    olon,olat = np.meshgrid(olon,olat)
    return olon, olat, data
 
olon,olat,data = data_set(df,'PM10')

如果以上代码时，需要先安装scikit-learn库。在此示例中，我们使用pykrige.rk.Krige类进行插值，并使用线性半变异函数。

根据代码中的注释，你遇到了一个问题，即使用相同的代码调用其他数据（如AQI），输出结果与预期一致，但对于PM10数据，输出结果出现特别大的值和特别小的值。这个问题可能由于PM10数据的分布特性不同于其他数据导致的。可能的原因包括PM10数据的离群值较多，或者PM10数据的空间分布不均匀。为了解决这个问题，你可以尝试调整插值算法的参数，如变程模型或者插值的网格大小，以获得更准确的结果。