@Nagase figsize，比如在新建图的时候用 fig = plt.figure(figsize=(50,50))

把图放大。

抱歉刚才没看图，你这种例子我觉得用移动平均可能更简单：
def moving_average(a, n=3):
....ret = np.cumsum(np.pad(a, n, 'edge'), dtype=float)
....ret[n:] = ret[n:] - ret[:-n]
....return ret[n:-n] / n

am = moving_average(a, n=15) #离群点少的话
np.argwhere(np.abs(a-am)>3 * np.std(a-am))

移动平均用的点个数、和几倍标准差比，根据具体情况调整一下。

one class svm:
调用这里：
scikit-learn.org/stable/modules/generated/sklearn.svm.OneClassSVM.html#sklearn.svm.OneClassSVM

大家好，我是博客时长两年半的个人博主，擅长……

blogspot，自己稍微调整一下链接的资源+cloudflare CDN 国内访问也没啥压力。
wordpress.com 现在可以访问了，主题啥的忍忍……

自然数定义：
自然数有一个源头，随便拿啥符号写，它是源头；
自然数存在一个后继操作，每个自然数都有后继，不同自然数有不同后继，源头不是任何其他自然数的后继，对每个自然数，后继操作必须是一样的（你可以每次加 0.77 ，但必须每次都加 0.77 ，所以 {0, 0.77, 1.54,...} 你可以说是自然数；
归纳公理：首先某命题对源头成立，且某命题对自然数 n 成立意味着意味着意味着（重要事说三遍）该命题对 n 的后继成立，则该命题对所有自然数成立。
比如,1=一，2=二，3=三，但并不意味着 4 是 4 条横杠。同样，创造 2=二也不意味着 3 一定就是三，这个错误被称为不完全归纳。

球面均匀点的算法我在之前已经提供了，看起来你并不是绝对需要 500 个点，你可以考虑尝试 Mathematica 的 SpherePoints 函数，等距性很好。我没能理解你的 dbscan 是怎么做的，空洞是什么意思？从图 1 来看感觉所有点都是连在一起的。你是直接对 (经，纬，1 ）这样相当于对经纬度分类还是每个小区有不同的权重？ dbscan 基于密度，加上权重也许你的问题就能解决了。另外，你可以试试 hdbscan 算法。

如果你不需要那么精确的结果，也可以考虑直接用密度，也就是如果你的矩形所占球台面积是 10，那么密度就是 50，如果球面积是 200，那么总点数就是 200x50=10000，Mathematica 有个 SpherePoints 函数，可以生成很均匀的点，大量点精确度会变高而且速度很快，详见 Fejes Tóth 问题。速度很快。你可以生成好以后用矩形去框一下，密度法可能有一定的涨落，如果要求结果不用那么精确的话（ 500+-10 ），这个方法是最高效的。

如果是均分经度、维度，那么 1 楼说了，需要特定的长宽比。上面均分球面算法保证弧线、弦距离相等。

不知道你说的等距是啥概念，如果想求的是均分球面，等价于求 \theta\in(0, \theta), \phi\in(0, \phi) 的 500 个单位向量中，\sum_ij 1/|r_i - r_j| 的最小值，是一个有区域限制的汤普森问题。

初始化生成 500 个单位向量，在 0<theta<经度, 0<phi<维度 满足你的矩形限制条件下，最小化能量函数 U(r1,r2,...r500)=\sum_{i=1}^500 1/|r_i-r_j|，mathematica 有比较简单的代码。要自己撸需要用梯度下降法，或者参考 scipy.optimize 里的 minimize 函数。

B = np.random.randint(0,q,(m, n))
s = np.random.randint(0,q,(N, n))
e = np.random.randint(0,q,(N, m))
b = np.einsum('ij,...j->...i', B, s) + e

b -> (N, m)

我折腾过 Arch
wiki.archlinux.org/index.php/HiDPI
多数配置应该能通用吧。不过咋折腾总有不好使的地方…… GNOME 和 KDE 好搞些。推荐搞个 infinality 字体补丁。
再折腾都存在有小毛病的地方。再折腾都存在有小毛病的地方。再折腾都存在有小毛病的地方。重要事情说三遍。

pandas 不是有 read_json 函数么……没用过，但是印象里 pandas 的解析器大多是 C 版的，效率应该不差。

你问问他是不是以前经常在网吧打 CS

或者算符版的
b = np.vstack([a, np.convolve([.5,.5,0],a,'same')]).ravel('F')[:-1]
卷积里一个数组长度为常数所以应该还是 O(n) 的复杂度，不过 a 的长度必须大于等于 3，这样少生成两次用来插值的数组

numpy 版的：
b = np.interp(np.linspace(0,1,2*a.shape[0]-1,endpoint=1),np.linspace(0,1,a.shape[0],endpoint=1),a)

是不是 code 是个 python 或者 pycharm 里的模块名啥的，结果你自己命名的文件夹是 code 所以出错了？你把文件夹名改了试试。