ArcGIS 10.1에서 그룹화 분석 도구를 모방 한 R 함수가 있습니까?

Question

저는 R 초보자이지만 Esri의 ArcGIS를 사용하는 전문가입니다.

저는 R을 사용하여 Arc의 10.1 도구 here과 같은 탐색 적 그룹화/클러스터 분석을 실행하고 싶습니다.

필요한 최종 제품은지도 시각화 여야합니다. 나는 여기에 this thread on hierarchical cluster analysis을 찾았습니다. Esri의 데이터 그룹 분석과 동일한 유형입니까? ArcGIS 도구는 매개 변수에 많은 유연성을 제공하며이 기능을 R로 복제하려고합니다.

다시 말하지만, 저는 초보자입니다. 모든 정보, 제안 또는 조언을 많이 주시면 감사하겠습니다.

감사합니다, 마이크

Answer 1

나는 이것이 단순한 KNN 분석이라고 말할 수 있습니다. ESRI 도움말이 설명하는 대안 인 "no distance matrix"구성 요소는 상당히 바람직하지 않은 것처럼 보입니다. 기본적으로 랜덤 시드를 사용하는 영역 성장 접근법을 사용하는 K-means 클러스터링을 사용합니다. 이것은 매우 불안정하고 매우 가변적 인 결과를 반환 할 수 있습니다. 단절된 지역과 같은 일부 문제를 피하기 위해 약간의 기동을 수행하는 것처럼 보이므로 결과를 정확히 재현하는 데 어느 정도 시간이 걸릴 수 있습니다. 당신은 spdep에서 "공간 제약"옵션을 근사시킬 수 있습니다. 다음은 시작점을 제공 할 거리 분석의 간단한 예입니다. "클래스"를 지정하려면 몇 가지 유형의 루핑 구조를 설정해야합니다.

require(sp) 
require(spdep) 

data(meuse) 
coordinates(meuse) <- ~x+y 

# Create distance matrix of specified range 
meuse.dist <- dnearneigh(coordinates(meuse), 0.0001, 1000) 

# Coerce distance object to a list object with distances for each observation 
dist.list <- nbdists(meuse.dist, coordinates(meuse)) 

# Create a new column with the distance to the nearest observation using lapply and unlist 
meuse@data <- data.frame(meuse@data, NNDist=unlist(lapply(dist.list, FUN=function(x) min(x)))) 

# Plot results 
spplot(meuse, "NNDist", col.regions=colorRampPalette(c("blue","yellow","red"), 
     interpolate="spline")(10) ) 

계층 적 클러스터링을 탐색 할 수도 있습니다. 그러나 더 큰 데이터 세트의 경우 hclust는 삼각형 거리 매트릭스를 필요로하지만 dnearneigh는 삼각형 거리 매트릭스를 필요로합니다. 다음은 제한된 계층 적 클러스터링을 사용하는 예입니다.

# SPATIALLY CONSTRAINED CLUSTERING 
require(sp) 
require(rioja) 

data(meuse) 
    coordinates(meuse) <- ~x+y 
    cdat <- data.frame(x=coordinates(meuse)[,1],y=coordinates(meuse)[,2]) 
     rownames(cdat) <- rownames(meuse@data) 

chc <- chclust(dist(cdat), method="conslink") 

# KNN 
    chc.n3 <- cutree(chc, k=3) 

# DISTANCE 
    chc.d200 <- cutree(chc, h=200) 

meuse@data <- data.frame(meuse@data, KNN=as.factor(chc.n3), DClust=chc.d200) 

opar <- par 
    par(mfcol=c(1,2)) 
    cols <- topo.colors(length(unique(meuse@data$KNN))) 
    color <- rep("xx", nrow(meuse@data)) 
     for(i in 1:length(unique(meuse@data$KNN))) { 
     v <- unique(meuse@data$KNN)[i] 
      color[(meuse@data$KNN == v)] <- cols[i] 
     } 
    plot(meuse, col=color, pch=19, main="KNN Clustering") 

    cols <- topo.colors(length(unique(meuse@data$DClust))) 
    color <- rep("xx", nrow(meuse@data)) 
     for(i in 1:length(unique(meuse@data$DClust))) { 
     v <- unique(meuse@data$DClust)[i] 
      color[(meuse@data$DClust == v)] <- cols[i] 
     } 
    plot(meuse, col=color, pch=19, main="Distance Clustering") 
par <- opar