第三章-探索性空间数据分析与可视化-B-2012.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。 3.3.2 主题地图表示的数据分类问题 GIS软件都提供了相关的数据分类方法，主要有：等间隔、等范围、自然分割法、分位数分类、自定义等。 当设计数据分类时，必须注意的因素是： ①包括所有范围的数据(最小和最大)。 ②使用不重叠的值和不空的类。 ③分类数量足够大以避免牺牲数据的精确性，但是这种精确性不能超过采集数据所保证的精度。 ④划分数据集到合理的等价的观测组中。 ⑤如果可能给定一个逻辑数学关系。 确定数据分类数量的基本技术是Sturges规则：分类的数量x介于2的n次方与2的n+1次方。 自然分割的分类方法。基本思想是最小化数据集内部的变异、最大化类型间的变异。通常用图形方法确定分割，即数字线、直方图、频率曲线，GeogreJenks建立了“最优分类方法”作为计算方法确定其理想的分割。 在利用GIS进行主题制图分析中，必须知道系统所提供的分类方法以及这些方法的限制。 3.4 交互技术与ESDA 交互性的分析技术主要有： 1)地图与其他图形显示方式之间通过刷新(brushing)技术建立动态联系。 2)利用实时控制工具改变常规的制图方法的参数，获得新状态下的分布特征等。 交互技术的重要特征是建立了地理空间和数据空间的联系，或者将EDA方法紧密地融合于ESDA中。这样就可以从空间特征到属性特征对地理现象进行全面的研究和分析。 3.4.1 地理空间和数据空间 地理空间(geographic space)就是由空间参考数据构成的坐标空间，它使用地理坐标定义地理事物和现象，也就是地图形式的地理表示。 数据空间(data space)是地理实体属性所构成的空间，其中每一个点代表地理事物在数据空间中的位置。 3.4.2 交互分析—动态联系窗口和刷新技术 动态联系窗口（linking window）通过刷新技术将地理空间和属性空间的各种视图组合在一起，是一种交互式探索空间数据的选择、聚集、趋势、分类、异常识别的工具。 这种动态交互技术的特点是： ①在一种信息窗口中点击或选择，其他的信息窗口产生相应的响应，并以高亮度显示选中的信息，便于对比观察。 ②ESDA将多种可视化的数据分析工具和地图分析结合在一起，并提供了丰富的交互工具，不仅可以进行选择的操作，而且能够进行改变数据参数等模式的探索。 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 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。 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。 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。 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。 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，