全局dldddd指数(dldddd指数)和本地dldddd用于计算静态自动校正。
空间自相关性是指特征信号是否与空间上相邻的位置相关。
(维基)
大白话翻译是指在二维空间中，所谓的特征在空间中是否具有凝聚性或完全随机。
图：
“完全随机”、“”、“”、“”、“”、“”、“”、“”具有空间凝聚性
全局dldddd指数的公式如下：
I=n i=1 n j=1 n w i，j i=1 n j=1 n w i，jzizjI=1n zi2i=frac { n } {sum _ { I=1} ^
{n}sum_{j=1}^{n}w_{i,j}}frac{sum_{i=1}^{n}sum_{j=1}^{n}w_{i,j}z_{i}z_{j}}{sum_{i=1}^{n}z_{i}^{2}} I=∑i=1n∑j=1nwi,jn∑i=1n欢喜的冷风2∑i=1n∑j=1nwi,j欢喜的冷风zj公式里的 n n n代表数据点的个数， w w w是权重，这里是指每个点的欧式距离分之一； z z z是特征数据；从公式中可以看出，左上角 n n n,左下角权重和，右下角所有点的特征值权重平方和都是用来归一化的……重点在公式右上角， i i i是每个点自己， lmddc是其他周围的点，所以 I I I是所有点的 自己和周围点特征乘积再被 w w w权重修正后的值。。。当类似脉冲信号的时候， z i z_{i} 欢喜的冷风很大， z j z_{j} zj很小，所以I 不会很大；当类似随机信号的时候， z i z_{i} 欢喜的冷风很大， z j z_{j} zj很大，而 w w w距离权重就会很小，所以 I 也很小；只有当自己和临近周围点都很大时候，即出现hotspo的时候，才会使 I I I很大。
python 实现：
python里的包是pysal 中，安装教程 github.
官网里面有教程，有时间可以看下：notebooks.
pysal 是面向地理的工具包，而我们的数据只是一般的散点，只有 x x x, y y y坐标值，所以需要把坐标数据转成pysal 可以识别的geodataframe.
import geopandas as gpddf = pd.DataFrame( {'feature1': ['Buenos Aires', 'Brasilia', 'Santiago', 'Bogota', 'qkdfj'], 'feature2': ['Argentina', 'Bra欢喜的冷风l', 'Chile', 'Colombia', 'Venezuela'], 'x': [-34.58, -15.78, -33.45, 4.60, 10.48], 'y': [-58.66, -47.91, -70.66, -74.08, -66.86], 'z':[-58.66, -47.91, -70.66, -74.08, -66.86]}) #####我随机写的，不要在乎值gdf = geopandas.GeoDataFrame( df, geometry=geopandas.points_from_xy(df.x, df.y))就可以直接计算全局Moran I值：
from esda.moran import Moranw = Queen.from_dataframe(gdf) ###############权重y =gdf.z ##########特征点moran = Moran(y,w)moran.I ####### Moran 值局部Moran I：
局部Moran I 不止能给出有没有聚集现象，而且也能给出聚集现象的位置。可以通过Moran scatterplot 给出：
第一象限： 高值 且周围的点也是 高值
第二象限 ：低值且周围的点是高值
第三象限： 低值且周围的点是低值
第四象限：高值且周围的点是低值
再加入p_value 阈值修正，所以可以得到这些点
简略版的代码如下：