方法详细资料

• hotSpotAnalyst

  @Deprecated
  public static DatasetVector hotSpotAnalyst(DatasetVector sourceDatasetVector,
                                                          Datasource targetDatasource,
                                                          String targetDatasetName,
                                                          PatternsParameter patternsParameter)

  已过时。 此方法已废弃，请使用支持进度监听的新方法 ClusteringDistributions.hotSpotAnalyst(DatasetVector, Datasource, String, PatternsParameter, SteppedListener...) 替换。
  热点分析，返回结果矢量数据集。

  1. 结果数据集中包括z得分（Gi_Zscore）、P值（Gi_Pvalue）和置信区间（Gi_ConfInvl）。

  2. z得分和P值都是统计显著性的度量,用于逐要素的判断是否拒绝"零假设"。置信区间字段会识别具有统计显著性的热点和冷点。置信区间为+3和-3的要素反映置信度为99%的统计显著性,置信区间为+2和-2的要素反映置信度为95%的统计显著性,置信区间为+1和-1的要素反映置信度为90%的统计显著性,而置信区间为0的要素的聚类则没有统计意义。

  3. 在没有设置 PatternsParameter.setFDRAdjusted 方法的情况下,统计显著性以P值和Z字段为基础,否则,确定置信度的关键P值会降低以兼顾多重测试和空间依赖性。

  4. 调用该方法时，需要通过 patternsParameter 参数指定一个分析模式参数（PatternsParameter）对象,该对象用于热点分析所需的参数,如评估字段、概念化模型、距离容限等。

  

  参数:

  sourceDatasetVector - 指定的待计算的数据集。可以为点、线、面数据集。

  targetDatasource - 指定的用于存储结果数据集的数据源。

  targetDatasetName - 指定的结果数据集名称。

  patternsParameter - 指定的聚类分布参数设置。

  返回:

  结果矢量数据集。

• hotSpotAnalyst

  public static DatasetVector hotSpotAnalyst(DatasetVector sourceDatasetVector,
                                             Datasource targetDatasource,
                                             String targetDatasetName,
                                             PatternsParameter patternsParameter,
                                             SteppedListener... listeners)

  热点分析，返回结果矢量数据集。

  1. 结果数据集中包括z得分（Gi_Zscore）、P值（Gi_Pvalue）和置信区间（Gi_ConfInvl）。

  2. z得分和P值都是统计显著性的度量,用于逐要素的判断是否拒绝"零假设"。置信区间字段会识别具有统计显著性的热点和冷点。置信区间为+3和-3的要素反映置信度为99%的统计显著性,置信区间为+2和-2的要素反映置信度为95%的统计显著性,置信区间为+1和-1的要素反映置信度为90%的统计显著性,而置信区间为0的要素的聚类则没有统计意义。

  3. 在没有设置 PatternsParameter.setFDRAdjusted 方法的情况下,统计显著性以P值和Z字段为基础,否则,确定置信度的关键P值会降低以兼顾多重测试和空间依赖性。

  4. 调用该方法时，需要通过 patternsParameter 参数指定一个分析模式参数（PatternsParameter）对象,该对象用于热点分析所需的参数,如评估字段、概念化模型、距离容限等。

  

  参数:

  sourceDatasetVector - 指定的待计算的数据集。可以为点、线、面数据集。

  targetDatasource - 指定的用于存储结果数据集的数据源。

  targetDatasetName - 指定的结果数据集名称。

  patternsParameter - 指定的聚类分布参数设置。

  listeners - 用于接收进度条事件的监听器。

  返回:

  结果矢量数据集。

• clusterOutlierAnalyst

  @Deprecated
  public static DatasetVector clusterOutlierAnalyst(DatasetVector sourceDatasetVector,
                                                                 Datasource targetDatasource,
                                                                 String targetDatasetName,
                                                                 PatternsParameter patternsParameter)

  已过时。 此方法已废弃，请使用支持进度监听的新方法 ClusteringDistributions.clusterOutlierAnalyst(DatasetVector, Datasource, String, PatternsParameter, SteppedListener...) 替换。
  聚类和异常值分析，返回结果矢量数据集。

  1. 结果数据集中包括局部莫兰指数（ALMI_MoranI）、z得分（ALMI_Zscore）、P值（ALMI_Pvalue）和聚类和异常值类型（ALMI_Type）。

  2. z得分和P值都是统计显著性的度量,用于逐要素的判断是否拒绝"零假设"。置信区间字段会识别具有统计显著性的聚类和异常值。如果,要素的Z得分是一个较高的正值,则表示周围的要素拥有相似值（高值或低值）,聚类和异常值类型字段将具有统计显著性的高值聚类表示为"HH"，将具有统计显著性的低值聚类表示为"LL";如果,要素的Z得分是一个较低的负值值,则表示有一个具有统计显著性的空间数据异常值,聚类和异常值类型字段将指出低值要素围绕高值要素表示为"HL"，将高值要素围绕低值要素表示为"LH"。

  3. 在没有设置 PatternsParameter.setFDRAdjusted 方法的情况下,统计显著性以P值和Z字段为基础,否则,确定置信度的关键P值会降低以兼顾多重测试和空间依赖性。

  4. 调用该方法时，需要通过 patternsParameter 参数指定一个分析模式参数（PatternsParameter）对象,该对象用于聚类和异常值分析所需的参数,如评估字段、概念化模型、距离容限等。

  

  参数:

  sourceDatasetVector - 指定的待计算的数据集。可以为点、线、面数据集。

  targetDatasource - 指定的用于存储结果数据集的数据源。

  targetDatasetName - 指定的结果数据集名称。

  patternsParameter - 指定的聚类分布参数设置。

  返回:

  结果矢量数据集。

• clusterOutlierAnalyst

  public static DatasetVector clusterOutlierAnalyst(DatasetVector sourceDatasetVector,
                                                    Datasource targetDatasource,
                                                    String targetDatasetName,
                                                    PatternsParameter patternsParameter,
                                                    SteppedListener... listeners)

  聚类和异常值分析，返回结果矢量数据集。

  1. 结果数据集中包括局部莫兰指数（ALMI_MoranI）、z得分（ALMI_Zscore）、P值（ALMI_Pvalue）和聚类和异常值类型（ALMI_Type）。

  2. z得分和P值都是统计显著性的度量,用于逐要素的判断是否拒绝"零假设"。置信区间字段会识别具有统计显著性的聚类和异常值。如果,要素的Z得分是一个较高的正值,则表示周围的要素拥有相似值（高值或低值）,聚类和异常值类型字段将具有统计显著性的高值聚类表示为"HH"，将具有统计显著性的低值聚类表示为"LL";如果,要素的Z得分是一个较低的负值值,则表示有一个具有统计显著性的空间数据异常值,聚类和异常值类型字段将指出低值要素围绕高值要素表示为"HL"，将高值要素围绕低值要素表示为"LH"。

  3. 在没有设置 PatternsParameter.setFDRAdjusted 方法的情况下,统计显著性以P值和Z字段为基础,否则,确定置信度的关键P值会降低以兼顾多重测试和空间依赖性。

  4. 调用该方法时，需要通过 patternsParameter 参数指定一个分析模式参数（PatternsParameter）对象,该对象用于聚类和异常值分析所需的参数,如评估字段、概念化模型、距离容限等。

  

  参数:

  sourceDatasetVector - 指定的待计算的数据集。可以为点、线、面数据集。

  targetDatasource - 指定的用于存储结果数据集的数据源。

  targetDatasetName - 指定的结果数据集名称。

  patternsParameter - 指定的聚类分布参数设置。

  listeners - 用于接收进度条事件的监听器。

  返回:

  结果矢量数据集。

• optimizedHotSpotAnalyst

  @Deprecated
  public static DatasetVector optimizedHotSpotAnalyst(DatasetVector sourceDatasetVector,
                                                                   Datasource targetDatasource,
                                                                   String targetDatasetName,
                                                                   OptimizedParameter optimizedParameter)

  已过时。 此方法已废弃，请使用支持进度监听的新方法 ClusteringDistributions.optimizedHotSpotAnalyst(DatasetVector, Datasource, String, OptimizedParameter, SteppedListener...) 替换。
  优化的热点分析，返回结果矢量数据集。

  1. 结果数据集中包括z得分（Gi_Zscore）、P值（Gi_Pvalue）和置信区间（Gi_ConfInvl）,详细介绍请参阅 hotSpotAnalyst 方法结果。

  2. z得分和P值都是统计显著性的度量,用于逐要素的判断是否拒绝"零假设"。置信区间字段会识别具有统计显著性的热点和冷点。置信区间为+3和-3的要素反映置信度为99%的统计显著性,置信区间为+2和-2的要素反映置信度为95%的统计显著性,置信区间为+1和-1的要素反映置信度为90%的统计显著性,而置信区间为0的要素的聚类则没有统计意义。

  3. 如果提供分析字段，则会直接执行热点分析; 如果未提供分析字段，则会利用提供的聚合方法（参阅AggregationMethod）聚合所有输入事件点以获得计数，从而作为分析字段执行热点分析。

  4. 执行热点分析时，默认概念化模型为ConceptualizationModel.FIXEDDISTANCEBAND、错误发现率（FDR）为 true ,统计显著性将使用错误发现率（FDR）校正法自动兼顾多重测试和空间依赖性。

  5. 调用该方法时，需要通过 optimizedParameter 参数指定一个分析模式参数（OptimizedParameter）对象,该对象用于热点分析所需的参数,如评估字段、聚合方法等。

  

  参数:

  sourceDatasetVector - 指定的待计算的数据集。可以为点、线、面数据集。

  targetDatasource - 指定的用于存储结果数据集的数据源。

  targetDatasetName - 指定的结果数据集名称。

  optimizedParameter - 指定的优化的热点分析参数设置。

• optimizedHotSpotAnalyst

  public static DatasetVector optimizedHotSpotAnalyst(DatasetVector sourceDatasetVector,
                                                      Datasource targetDatasource,
                                                      String targetDatasetName,
                                                      OptimizedParameter optimizedParameter,
                                                      SteppedListener... listeners)

  优化的热点分析，返回结果矢量数据集。

  1. 结果数据集中包括z得分（Gi_Zscore）、P值（Gi_Pvalue）和置信区间（Gi_ConfInvl）,详细介绍请参阅 hotSpotAnalyst 方法结果。

  2. z得分和P值都是统计显著性的度量,用于逐要素的判断是否拒绝"零假设"。置信区间字段会识别具有统计显著性的热点和冷点。置信区间为+3和-3的要素反映置信度为99%的统计显著性,置信区间为+2和-2的要素反映置信度为95%的统计显著性,置信区间为+1和-1的要素反映置信度为90%的统计显著性,而置信区间为0的要素的聚类则没有统计意义。

  3. 如果提供分析字段，则会直接执行热点分析; 如果未提供分析字段，则会利用提供的聚合方法（参阅AggregationMethod）聚合所有输入事件点以获得计数，从而作为分析字段执行热点分析。

  4. 执行热点分析时，默认概念化模型为ConceptualizationModel.FIXEDDISTANCEBAND、错误发现率（FDR）为 true ,统计显著性将使用错误发现率（FDR）校正法自动兼顾多重测试和空间依赖性。

  5. 调用该方法时，需要通过 optimizedParameter 参数指定一个分析模式参数（OptimizedParameter）对象,该对象用于热点分析所需的参数,如评估字段、聚合方法等。

  

  参数:

  sourceDatasetVector - 指定的待计算的数据集。可以为点、线、面数据集。

  targetDatasource - 指定的用于存储结果数据集的数据源。

  targetDatasetName - 指定的结果数据集名称。

  optimizedParameter - 指定的优化的热点分析参数设置。

  listeners - 用于接收进度条事件的监听器。

• densityBasedClustering

  @Deprecated
  public static DatasetVector densityBasedClustering(DatasetVector sourceDatasetVector,
                                                                  Datasource targetDatasource,
                                                                  String targetDatasetName,
                                                                  int minPilePointCount,
                                                                  double searchDistance,
                                                                  Unit unit)

  已过时。 此方法已废弃，请使用支持进度监听的新方法 ClusteringDistributions.densityBasedClustering(DatasetVector, Datasource, String, int, double, Unit, SteppedListener...) 替换。
  密度聚类分析

  参数:

  sourceDatasetVector - 指定的待计算的数据集。可以为点数据集。

  targetDatasource - 指定的存储结果的数据集所在的数据源

  targetDatasetName - 指定的结果数据集名称

  minPilePointCount - 点数目阈值

  searchDistance - 聚类半径

  unit - 单位

  返回:

  结果数据集中包含了 源数据ID（Source_ID）、聚类类别（Cluster_ID）、点顺序（ReachOrder）、可达距离（ReachDist）。Source_ID 为源数据的ID；Cluster_ID 为聚类的结果聚类类别, -1 为噪声点; ReachOrder 为点数据的处理顺序; ReachDist 为可达距离,点到最近聚类类别的最短路径.

• hierarchicalDensityBasedClustering

  @Deprecated
  public static DatasetVector hierarchicalDensityBasedClustering(DatasetVector sourceDatasetVector,
                                                                              Datasource targetDatasource,
                                                                              String targetDatasetName,
                                                                              int minPilePointCount)

  已过时。 此方法已废弃，请使用支持进度监听的新方法 ClusteringDistributions.hierarchicalDensityBasedClustering(DatasetVector, Datasource, String, int, SteppedListener...) 替换。
  层次密度聚类分析

  参数:

  sourceDatasetVector - 指定的待计算的数据集。可以为点数据集。

  targetDatasource - 指定的存储结果的数据集所在的数据源

  targetDatasetName - 指定的结果数据集名称

  minPilePointCount - 点数目阈值

  返回:

  结果数据集中包含了 源数据ID（Source_ID）、聚类类别（Cluster_ID）、点顺序（ReachOrder）、可达距离（ReachDist）。Source_ID 为源数据的ID；Cluster_ID 为聚类的结果聚类类别, -1 为噪声点; ReachOrder 为点数据的处理顺序; ReachDist 为可达距离,点到最近聚类类别的最短路径.

• orderingDensityBasedClustering

  @Deprecated
  public static DatasetVector orderingDensityBasedClustering(DatasetVector sourceDatasetVector,
                                                                          Datasource targetDatasource,
                                                                          String targetDatasetName,
                                                                          int minPilePointCount,
                                                                          double searchDistance,
                                                                          Unit unit,
                                                                          int clusterSensitivity)

  已过时。 此方法已废弃，请使用支持进度监听的新方法 ClusteringDistributions.orderingDensityBasedClustering(DatasetVector, Datasource, String, int, double, Unit, int, SteppedListener...) 替换。
  顺序密度聚类分析

  参数:

  sourceDatasetVector - 指定的待计算的数据集。可以为点数据集。

  targetDatasource - 指定的存储结果的数据集所在的数据源

  targetDatasetName - 指定的结果数据集名称

  minPilePointCount - 点数目阈值

  searchDistance - 聚类半径

  unit - 单位

  clusterSensitivity - 聚类的紧密度，0到100之间。值越大,产生的聚类簇内的点越密集；值越小,产生的聚类簇内的点越稀疏

  返回:

  结果数据集中包含了 源数据ID（Source_ID）、聚类类别（Cluster_ID）、点顺序（ReachOrder）、可达距离（ReachDist）。Source_ID 为源数据的ID；Cluster_ID 为聚类的结果聚类类别, -1 为噪声点; ReachOrder 为点数据的处理顺序; ReachDist 为可达距离,点到最近聚类类别的最短路径

• densityBasedClustering

  public static DatasetVector densityBasedClustering(DatasetVector sourceDatasetVector,
                                                     Datasource targetDatasource,
                                                     String targetDatasetName,
                                                     int minPilePointCount,
                                                     double searchDistance,
                                                     Unit unit,
                                                     SteppedListener... listeners)

  密度聚类分析

  参数:

  sourceDatasetVector - 指定的待计算的数据集。可以为点数据集。

  targetDatasource - 指定的存储结果的数据集所在的数据源

  targetDatasetName - 指定的结果数据集名称

  minPilePointCount - 点数目阈值

  searchDistance - 聚类半径

  unit - 单位

  listeners - 用于接收进度条事件的监听器。

  返回:

  结果数据集中包含了 源数据ID（Source_ID）、聚类类别（Cluster_ID）、点顺序（ReachOrder）、可达距离（ReachDist）。Source_ID 为源数据的ID；Cluster_ID 为聚类的结果聚类类别, -1 为噪声点; ReachOrder 为点数据的处理顺序; ReachDist 为可达距离,点到最近聚类类别的最短路径

• hierarchicalDensityBasedClustering

  public static DatasetVector hierarchicalDensityBasedClustering(DatasetVector sourceDatasetVector,
                                                                 Datasource targetDatasource,
                                                                 String targetDatasetName,
                                                                 int minPilePointCount,
                                                                 SteppedListener... listeners)

  层次密度聚类分析

  参数:

  sourceDatasetVector - 指定的待计算的数据集。可以为点数据集。

  targetDatasource - 指定的存储结果的数据集所在的数据源

  targetDatasetName - 指定的结果数据集名称

  minPilePointCount - 点数目阈值

  listeners - 用于接收进度条事件的监听器。

  返回:

  结果数据集中包含了 源数据ID（Source_ID）、聚类类别（Cluster_ID）、点顺序（ReachOrder）、可达距离（ReachDist）。Source_ID 为源数据的ID；Cluster_ID 为聚类的结果聚类类别, -1 为噪声点; ReachOrder 为点数据的处理顺序; ReachDist 为可达距离,点到最近聚类类别的最短路径

• orderingDensityBasedClustering

  public static DatasetVector orderingDensityBasedClustering(DatasetVector sourceDatasetVector,
                                                             Datasource targetDatasource,
                                                             String targetDatasetName,
                                                             int minPilePointCount,
                                                             double searchDistance,
                                                             Unit unit,
                                                             int clusterSensitivity,
                                                             SteppedListener... listeners)

  顺序密度聚类分析

  参数:

  sourceDatasetVector - 指定的待计算的数据集。可以为点数据集。

  targetDatasource - 指定的存储结果的数据集所在的数据源

  targetDatasetName - 指定的结果数据集名称

  minPilePointCount - 点数目阈值

  searchDistance - 聚类半径

  unit - 单位

  clusterSensitivity - 聚类的紧密度，0到100之间。值越大,产生的聚类簇内的点越密集；值越小,产生的聚类簇内的点越稀疏

  listeners - 用于接收进度条事件的监听器。

  返回:

  结果数据集中包含了 源数据ID（Source_ID）、聚类类别（Cluster_ID）、点顺序（ReachOrder）、可达距离（ReachDist）。Source_ID 为源数据的ID；Cluster_ID 为聚类的结果聚类类别, -1 为噪声点; ReachOrder 为点数据的处理顺序; ReachDist 为可达距离,点到最近聚类类别的最短路径

• kmeans

  public static Point2D[] kmeans(DatasetVector sourceDatasetVector,
                                 KMeansParameter parameter,
                                 SteppedListener... listeners)

  K均值聚类，返回聚类中心二维点数组。

  参数:

  sourceDatasetVector - 指定的点数据集。

  parameter - K均值聚类参数。

  listeners - 进度条事件的监听器。

  返回:

  返回聚类中心二维点数组。

• kmeans

  public static DatasetVector kmeans(DatasetVector sourceDatasetVector,
                                     Datasource targetDatasource,
                                     String targetDatasetName,
                                     KMeansParameter parameter,
                                     SteppedListener... listeners)

  K均值聚类，返回聚类中心矢量点结果数据集。

  k均值聚类（k-means)算法是一种迭代求解的聚类分析算法，其原理为预将数据分为K组，选取K个对象作为初始的聚类中心，然后把每个对象分配给最近的初始聚类中心，聚类中心以及分配给它们的对象代表一个聚类。每分配一次样本，聚类中心会被重新计算。这个过程将不断重复直到达到期望结果。迭代的终止条件可以是没有对象被重新分配给不同的聚类，没有聚类中心再发生变化，或者达到最大迭代次数（默认迭代次数：300）。

  k均值方法对异常值敏感，因此可以在分析前将异常/离群值剔除，否则会对聚类结果有影响。

  输出结果：1、在源数据集中增加了一个 Cluster_ID 字段表示结果聚类类别；2、结果矢量数据集表示最终聚类的K个聚类中心点。

  参数:

  sourceDatasetVector - 指定的点数据集。

  targetDatasource - 指定的用于存储结果数据集的数据源。

  targetDatasetName - 指定的结果数据集名称。

  parameter - K均值聚类参数。

  listeners - 进度条事件的监听器。

  返回:

  返回聚类中心点矢量数据集。

• meanShift

  public static Point2D[] meanShift(DatasetVector sourceDatasetVector,
                                    MeanShiftParameter parameter,
                                    SteppedListener... listeners)

  均值偏移聚类，返回聚类中心二维点数组。

  参数:

  sourceDatasetVector - 指定的点数据集。

  parameter - 均值偏移聚类参数。

  listeners - 进度条事件的监听器。

  返回:

  聚类中心二维点数组。

• meanShift

  public static DatasetVector meanShift(DatasetVector sourceDatasetVector,
                                        Datasource targetDatasource,
                                        String targetDatasetName,
                                        MeanShiftParameter parameter,
                                        SteppedListener... listeners)

  均值偏移聚类，返回聚类中心矢量点结果数据集。

  均值偏移聚类（Means Shift算法）是一种基于聚类中心迭代求解的聚类算法，与K均值聚类不同的是不需要事先确定聚类个数K。均值偏移聚类的原理为：从初始聚类中心点开始，沿着带宽内点群密度上升的方向不断寻找新的聚类中心点，直到满足终止条件。终止条件为迭代过程中前后两次聚类的中心移动距离几乎不变 或者达到最大迭代次数（默认迭代次数：300）。

  输出结果：1、在源数据集中增加了一个 Cluster_ID 字段表示结果聚类类别；2、结果矢量数据集表示最终聚类的聚类中心点。

  参数:

  sourceDatasetVector - 指定的点数据集。

  targetDatasource - 指定的用于存储结果数据集的数据源。

  targetDatasetName - 指定的结果数据集名称。

  parameter - 均值偏移聚类参数。

  listeners - 进度条事件的监听器。

  返回:

  返回聚类中心点矢量数据集。

• addSteppedListener

  public static void addSteppedListener(SteppedListener l)

  添加一个进度条事件（SteppedEvent）的监听器。

  参数:

  l - 一个用于接收进度条事件的监听器。

• removeSteppedListener

  public static void removeSteppedListener(SteppedListener l)

  移除一个进度条事件（SteppedEvent）的监听器。

  参数:

  l - 一个用于接收进度条事件的监听器。