求向量列表的空间中值：

求给定权重的向量列表的空间中值：

计算地理位置的空间中值：

同样的输入，不同的精度：

可以用来求 WeightedData 的空间中值：

大型数组的空间中值：

加权空间中值：

含有量的数据的空间中值：

计算测地位置的空间中值：

在异常值出现的情况下，获取多变量位置的稳健估计：

极值对 Mean 有很大的影响：

考虑来自高斯混合分布的数据：

用 Mean 估计中心：

对于非高斯分布数据，样本均值估计量有较大的展布. 估计量的标准偏差为：

用 SpatialMedian 估计中心：

用自助法评估展布. 与均值相比空间中值的展布较小：

考虑五个公司的股票价格：把 2015 年 GOOG、MSFT、FB、AAPL 和 INTC 的价格作为五维数据：

计算对数收益率并用 Mean 和 SpatialMedian 估计中心：

用 MultivariateTDistribution 拟合数据并提取位置参数：

空间中值估计量对多变量 t 分布的位置参数给出的估计要比用股票数据得出的经验均值更接近：

如果数据点的数量等于 3，空间中值也就是 Fermat 点：

在每边创建等边三角形：

用几何方法构建 Fermat 点并与 SpatialMedian（红色）的结果相比较：

来自凸多边形的点：

通过计算随机点的空间中值估计多边形的中心：

根据城市的位置，求加州的空间中值：

根据按人口加权的城市的位置，求加州的空间中值：

画出城市的位置（灰色），未加权的空间中值（红色）和加权的空间中值（黑色）：

对于地球表面相距甚远的地理位置，空间中值很大程度上依赖于距离函数的选取：

选取 GeoPosition 时的空间中值：

选取 EuclideanDistance 时投影坐标的空间中值：

显示城市和空间中值的位置：

可以用均匀抽样的地理位置的空间中值来近似地理实体的中心. 获取西班牙的边界形状：

从中采样并计算相应的空间中值：

给出距空间中值最近的城市：

可视化结果：

SpatialMedian 是多变量位置度量：

计算空间中值：

Mean 也是一种位置度量：

显示数据点、空间中值和均值：

SpatialMedian 是空间点的 L₁ 位置估计量：

用 FindMinimum 根据定义计算 SpatialMedian：

可视化距离函数的和：

Mean （或空间均值）是空间点的 L₂ 位置估计量：

用 FindMinimum 根据定义计算 Mean：

可视化距离函数的和：

对于单变量数据，SpatialMedian 和 Median 相同：

用 ManhattanDistance 算出的多变量数据的SpatialMedian 和 Median 相同：

SpatialMedian 找出域中最小化距离和的点：

CentralFeature 找出数据中最小化距离和的点：

相对于 CentralFeature 的距离和要大于或等于相对于 SpatialMedian 的距离和：