湘潭网站建设厦门网站制作,利津网页设计,asp网站用ftp怎么替换图片,注册公司需要怎么注册有的时候#xff0c;我们在数据进行分组时#xff0c;会发现用正常的聚类分析的方法和思维#xff0c;分组的情况不是很理想。其实这是因为我们常常会忽略一个问题#xff1a;假设我们正在分析的数据是真实的#xff0c;那么它也肯定在一定程度上符合客观规律。而如果我们…有的时候我们在数据进行分组时会发现用正常的聚类分析的方法和思维分组的情况不是很理想。其实这是因为我们常常会忽略一个问题假设我们正在分析的数据是真实的那么它也肯定在一定程度上符合客观规律。而如果我们正在分析的数据中有真实的客观空间数据时可以考虑用空间自相关的方法去分析。
例如我们在分析城市犯罪率的时候用聚类分析的思维我们可能会思考不同城市的犯罪特征是什么是否有相似点亦或是试图把城市分成几种犯罪模式的归属而如果用空间自相关的思想去看待问题会变成高犯罪率的街区在空间上是否聚集或靠近哪些区域是犯罪率高的热点区域这种客观空间上的问题。
以下是一个例子
# 加载必要的包library(spdep)
library(sp)
library(ggplot2)# 设置随机种子保证结果可重复
set.seed(123)# 1. 创建空间网格数据
grid_size - 10
coords - expand.grid(x 1:grid_size, y 1:grid_size)# 2. 构建空间权重矩阵4个最近邻
nb - knn2nb(knearneigh(as.matrix(coords), k 4))
listw - nb2listw(nb, style W)# 3. 生成空间自相关数据替代方法
rho - 0.7
y - rnorm(grid_size^2) # 初始随机数据
for(i in 1:10){ y - rho * lag.listw(listw, y) y # 迭代增强空间自相关
}# 4. 创建数据框此时y已生成
spatial_data - data.frame(x coords$x,y coords$y,value scale(y) # 标准化数据
)# 5. 可视化结果
ggplot(spatial_data, aes(x, y, fill value)) geom_tile() scale_fill_viridis_c() labs(title paste(空间自相关数据 (rho , rho, )),subtitle 颜色越黄表示值越高) theme_minimal()# 计算空间权重矩阵
coords_mat - as.matrix(spatial_data[, c(x, y)])
nb - knn2nb(knearneigh(coords_mat, k 4))
listw - nb2listw(nb, style W)# 计算Morans I
moran_test - moran.test(spatial_data$value, listw)
print(moran_test)# 结果解读
# Moran I statistic 0 表示正空间自相关(聚集)
# p-value 0.05 表示空间自相关显著# 计算局部Morans I
local_moran - localmoran(spatial_data$value, listw)# 将结果添加到数据中
spatial_data$local_i - local_moran[, Ii]
spatial_data$p_value - local_moran[, Pr(z ! E(Ii))]# 可视化局部空间自相关
ggplot(spatial_data, aes(x, y, fill local_i)) geom_tile() scale_fill_gradient2(low blue, mid white, high red) theme_minimal() ggtitle(局部Morans I值)# 显示显著的热点(p 0.05)
spatial_data$significant - spatial_data$p_value 0.05
ggplot(spatial_data, aes(x, y, fill significant)) geom_tile() scale_fill_manual(values c(TRUE red, FALSE gray)) theme_minimal() ggtitle(显著的空间自相关区域(p 0.05))
输出 Moran I test under randomisationdata: spatial_data$value
weights: listw Moran I statistic standard deviate 12.836, p-value 2.2e-16
alternative hypothesis: greater
sample estimates:
Moran I statistic Expectation Variance 0.858001632 -0.010101010 0.004573975 Morans值为0.858接近1表明结果是强正空间相关的p小于0.05更加强了结果的说服性而图中所显示的说明重点区域多在横轴大于7.5的边缘地带数据中有这个特征的在计算时需要额外乘以系数。
