[第三章探索性空间数据分析与可视化B2012.pptVIP

根据下面的图3.4，可以看出总人口在各个居委会中的分布基本属于正常的范围，而人口密度的分布有极端值出现，大部分区域的人口密度为1000～3 000人／km2，而王港居委会的人口密度达到了6 000余人／km2。 第3章 探索性空间数据分析与可视化 3.1 关于EDA、ESDA与可视化 3.2 EDA与可视化的基本方法 3.3 ESDA与空间数据可视化 3.4 交互技术与ESDA Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd. 伴随着计算机技术的发展，适用于海量数据环境的数据挖掘、空间数据挖掘方法正在得到大力发展，其中探索性数据分析技术(exploring data analysis，EDA)和数据可视化技术(data visualization)是最基本的数据分析方法。 Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd. 3.1 关于EDA、ESDA与可视化 19世纪60年代Tukey面向数据分析的主题，提出了探索性数据分析的新思路。 Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd. EDA技术的特点是对数据来源的总体不作假设，并且假设检验也经常被排除在外。这一技术使用统计图表、图形和统计概括方法对数据的特征进行分析和描述。EDA技术的核心首先是“让数据说话”，在探索的基础上再对数据进行更为复杂的建模分析。因此可将EDA作为数据分析的初级阶段。 ESDA技术是EDA思想在空间数据分析领域的推广。ESDA着重于概括空间数据的性质，探索空间数据中的模式，产生和地理数据相关的假设，并在地图上识别异常数据的分布位置，以发现是否存在热点区域(hot spot)等。 Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd. ESDA的要求 ESDA需要熟知空间数据的特殊性及数据分析的探索性方法。探索性方法包括数据可视化并导出为表格、图形、地图及其他显示形式。 ESDA和数据挖掘一样是交互的、迭代的搜索过程，其中数据中的模式和关系被用于精炼并搜索更多的兴趣模式和关系。 在非常庞大的数据集中，ESDA等价于空间数据挖掘，其基本的思想是极力使用数据来表示其本身，以识别兴趣模式并帮助产生有关的假设。 Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd. 3.2 EDA与可视化的基本方法 主要有两类方法： ①计算EDA，包括从简单的统计计算到高级的探索分析多变量数据集中模式的多元统计分析方法。 其中基本统计方法主要研究变量的分布，例如，集中性统计量(包括均值—中位数等)；分散性的统计量(包括方差—分位数等)；识别偏斜或非正态分布(如双峰模式)；识别异常数据，计算相关系数、相关矩阵等； 多变量探索技术(主要用于识别多变量数据集中的模式，包括聚类分析、因子分析、判别分析、多维标度、对数线性分析、典型相关、逐步回归和非线性回归、对应分析、分类树、时间序列、广义加法模型、广义分类树和回归树等)。 Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd. ②图形EDA技术，即可视化的探索性数据分析。 两种类型的EDA本质上是一致的，其目的都是为了揭示数据中的模式、趋势、关系等。 Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd. 常用的图形方法有: 直方图(histogram) 茎叶