xtg 0.0.7

a map tool

xtg · 扩展型地理加权回归工具箱

Python-ready GWR / MGWR / AGWR with bandwidth search, diagnostics & KNN-GWR.

xtg 致力于把 R 生态里的地理加权回归（GWR）全家桶完整迁移到 Python， 并补充了 自适应 KNN-GWR、自动带宽搜索、VIF / Moran’s I 诊断等常用功能。

功能	说明
OLS / GWR / SGWR / MGWR / AGWR	基准 → 单带宽 → 全局+局部 → 多带宽 → 双向各向异性
KNN-GWR	自适应样本数带宽，适合离散、非平稳数据
带宽搜索	1D select_bw_iso (自动 bounded) ND select_bw_aniso (L-BFGS-B / Powell)
诊断指标	vif（多重共线性） · moran（全局 Moran’s I）
评估指标	rmse、pseudo_r2、aicc
核函数	高斯 / 双二次 · 各向同性 + 各向异性 · 可扩展
稀疏权重矩阵	core.weights.compute_weights → SciPy CSR

---

依赖安装

pip install xtg                       # 最新发布版
# or
pip install git+https://github.com/yourname/xtg.git  # 开发版

额外依赖：numpy · scipy · pandas · scikit-learn · pysal pip 会自动安装，若使用 KNN-GWR 不需额外包。

---

快速上手

0 准备数据

import pandas as pd, numpy as np
df = pd.read_csv("house_price_panel.csv")

y  = np.log1p(df["AUP"].values)                 # ← 建议对房价取 log
X  = df[["RRP", "AVPI"]].values                 # 共线性低的两列
coords = df[["lon", "lat"]].values
coords_std = (coords - coords.mean(0)) / coords.std(0)   # 标准化！

1 全局 OLS

from xtg import fit_ols
ols = fit_ols(X, y)
print("OLS RMSE", ols.rmse_, "R²≈", ols.pseudo_r2_)

2 单带宽 GWR（自动搜索带宽）

from xtg import fit_gwr, select_bw_iso

best_bw = select_bw_iso(
    lambda bw: fit_gwr(X, y, coords_std, bw=bw).aicc_,
    bounds=(0.5, 5)
)
gwr = fit_gwr(X, y, coords_std, bw=best_bw)
print("GWR RMSE", gwr.rmse_)

3 各向异性 AGWR（双带宽）

from xtg import fit_agwr, select_bw_aniso
best_bwx, best_bwy = select_bw_aniso(
    lambda b: fit_agwr(X, y, coords_std, bw=tuple(b)).aicc_,
    ndim=2,
    bounds=[(0.5, 5)]*2,
    bw_init=[2, 1.5],
)
agwr = fit_agwr(X, y, coords_std, bw=(best_bwx, best_bwy))
print("AGWR RMSE", agwr.rmse_)

4 列级双向带宽 PC-AGWR

from xtg.models.agwr_pc import fit_agwr_pc
from xtg import select_bw_aniso

p = X.shape[1]                     # 自变量数
def obj(bw_flat):
    bw_mat = bw_flat.reshape(p + 1, 2)    # (截距+每列, 2)
    return fit_agwr_pc(X, y, coords_std, bw_mat).aicc_

bw_opt = select_bw_aniso(
    obj,
    ndim=2*(p+1),
    bounds=[(0.5, 3)]*(2*(p+1)),
    bw_init=np.tile([1.5, 1.0], p+1)
)
bw_mat = bw_opt.reshape(p + 1, 2)
pc_agwr = fit_agwr_pc(X, y, coords_std, bw_mat)

print("PC-AGWR RMSE", pc_agwr.rmse_)
print("trace(S)   ", pc_agwr.trace_s_)

5 自适应样本数 KNN-GWR

每个系数都有自己的 (bw_xk, bw_yk)，并自动计算帽子矩阵 trace(S) 以获得 精确 AICc。

from xtg.models.gwr_knn import fit_gwr_knn
gwr_knn = fit_gwr_knn(X, y, coords_std, k=20)
print("KNN-GWR RMSE", gwr_knn["rmse"])

6 与 R(spgwr) 完全对齐的带宽选择

from xtg import select_bw_iso, spgwr_cv_rmse, fit_gwr_hat
bw = select_bw_iso(lambda h: spgwr_cv_rmse(X, y, coords, h))
gwr = fit_gwr_hat(X, y, coords, bw)

---

## 空间诊断一键跑

```python
from xtg import vif, moran
print(vif(X, feature_names=["RRP", "AVPI"]))
mi = moran(y, coords=coords_std, k=8)
print(f"Moran's I = {mi['I']:.3f},  p = {mi['p_sim']:.3f}")

---

建议实践流程

1. 坐标平面化 / 标准化 → 避免带宽量纲错配
2. VIF < 10、Moran’s I 显著 → 才值得做局部模型
3. 搜索带宽 → select_bw_iso / select_bw_aniso 支持 AICc / CV
4. 比较 OLS ↔ GWR ↔ AGWR ↔ KNN-GWR，选择最小 RMSE 模型
5. .predict(X_new, coords_new) → 直接做空间外插预测

---

引用

如果 xtg 为你的研究或产品节省了时间，欢迎在论文 / 项目中引用：

Meng, J. (2025). xtg: An Extended Toolkit for Geographically Weighted Regression in Python. 
https://pypi.org/project/xtg/

---

许可证

Apache 2.0 | 欢迎 PR / Issue！

---

本包仍在快速演进中：计划引入 自适应 bisquare KNN-GWR、 局部 ridge 稳定化 和 GPU 批量拟合，敬请关注 ⭐。