前文再续，书接上一回，今天继续讲地统计中的探索性数据分析剩下的几种图形。
开场先秀一个Python实现的三维趋势分析图：
如果说直方图是个人就能看得懂的话，下面几种图形就有点不太好懂了，比如这叫做“正态QQ图”的东东。
好吧，这个QQ图，与鹅厂那个黑白怪没有任何关系，它的意思是“quantile-quantile”，也就是所谓的分位数图。
那么啥又叫做“分位数”呢？
对一份数据，我们经常有一些特定的数值来进行描述，比如“中位数”这个概念，他表示顺序排列的一组数据中，最中间的那个一个，它会把整组数值集合划分成上下相等的两个部分。在分位数的叫法里面，中位数也被称为“二分位数”，那么以此类推，就有诸如：
四分位数：把顺序排列的数值集合均分为四等分，位于分割点的数值就叫四分位数，其中第一四分位数为25%；第二四分位是50%（实际上也就是中分位数了），第三四分位是75%。
通常这种数值可以用盒图（box，也叫箱线图）来可视化，如下所示：
绘制图形的源码，见文末地址）。
QQ图又是啥呢？从图形上来看，QQ图是一种散点图，其每个点的纵坐标，是样本值，而每个点的横坐标是这个样本值的分位数。如何绘制的呢？如下所示：
那么这个正态QQ图又如何来看呢？
正态QQ图主要也是用来检验是否是正态分布的，其中那条红色的线，就表示正态分布，如果你的数据是严格正态分布的，那么所有的样点，就应该与红线完全重合。
如果你的点与红线偏离比较严重，就说明这些点可能是异常点，应该进行检测，确定是错误值还是需要特别关注的离群值。
在ArcGIS中做正态QQ图，还可以进行交互，比如你可以选择离群点，来查看是哪些：
从以上探索情况来看，大部分数据是符合正态分布的，但是也有一部分不符合正态分布，如果强行要用所有的数据来进行插值，可能会产生一定的偏差。
那么如何来解决这些有偏差的情况呢？一般来说有下面几种方法：
其一就是分区域进行插值，比如将中国分为南北两个部分进行插值，或者更多部分，插值完成之后，在把结果栅格进行组合。
其二就是寻找合理的步长进行插值，防止远距离的数据对结果干扰太大。
这些解决的方法，我们以后慢慢说。
除了正态QQ图以外，还可以对数据的趋势进行了解，主要通过趋势分析图（Trend Analysis）来实现。
空间插值，作为一个空间运算，XYZ三个维度都是协同工作的，所以我们需要了解数据是否具有一定的趋势，比如是西高东低，或者是南高北低这样的。趋势分析图主要就是用于分析数据中是否存在这样的趋势，并且把这些趋势进行可视化。
在ArcGIS的地统计向导里面，选择趋势分析图，
选择要探索的数据，就可以得到下面这样一个窗口：
这样看起来，那是啥也看不见的，我们一部分一部分的来解释，如下：
首先，只留下数据投影这一个选项，其他的都勾选掉：
可以看见，实际上是把数据按照不同的维度进行了投影，绿色的部分是东西向，蓝色的是南北向，把它们以XY为轴，Z（value）为值，投影到了一个正交的平面上。
从拟合曲线我们可以看出来，从气温上说，东西向的呈现两边低，中间高的趋势，而南北向呈现北低南高的趋势。
如果这趋势拟合线呈现平直的状态，则表示没有明显的趋势（随机分布）。
最后就是每条黑色的线，代表值的高低，绿色的点，代表每个点值在三维空间中的位置，这个就没啥好说的了。
趋势分析的工具，可以很直观的观测到变量在空间上是否具有分布趋势，如果选用多项式插值的话，可以以此为根据，选择最优拟合的多项式进行插值。
这个工具用Python实现的话，可以用三维散点图方式来实现：
首先要实现的是多项式回归，代码如下：
之后绘制成三维图形：
以上Python实现的代码，请到如下位置寻找：
https://github.com/allenlu2008/PythonDemo/tree/master/008插值/地统计插值
（公众号发送消息：6，可以获取虾神的github代码仓库，欢迎clone，记得star）
待续未完