Python ArcGIS find_point_clusters用法及代码示例

本文简要介绍 python 语言中 arcgis.features.analysis.find_point_clusters 的用法。

用法:

arcgis.features.analysis.find_point_clusters(analysis_layer, min_features_cluster, search_distance=None, search_distance_unit=None, output_name=None, context=None, gis=None, estimate=False, future=False)

返回：

FeatureLayer 如果指定了output_name，否则为 FeatureCollection 。

find_point_clusters 方法根据其空间分布在周围噪声中查找点特征集群。

该方法使用无监督机器学习聚类算法来检测点特征的模式，纯粹基于空间位置，以及到指定数量特征的距离(可选)。

结果图显示了识别的每个集群以及被认为是噪声的特征。将为多个集群分配每种颜色。颜色将被分配和重复，以便每个集群在视觉上与其相邻集群不同。

该方法利用了两种相关的算法。默认情况下，HDBSCAN 算法用于查找簇。如果指定search_distance，则使用 DBSCAN 算法。仅当有非常明确的搜索距离可用于分析并且返回具有相似密度的簇时，DBSCAN 才适用。当未指定 search_distance 时，HDBSCAN 将使用一系列距离将不同密度的簇与稀疏噪声分开，从而产生更多数据驱动的簇。

Parameter	Description
analysis_layer	必需的层。将为其计算基于密度的聚类的点要素图层。请参阅特征输入。
min_features_cluster	必需的整数。被视为集群的最小特征数。任何特征少于所提供数量的集群都将被视为噪声。
search_distance	可选浮点数。要考虑的最大距离。必须在此距离内找到指定的每个集群的最小要素才能获得集群成员资格。各个集群将至少相隔此距离。如果某个要素与聚类中下一个最近要素的距离超过此距离，则它不会包含在聚类中。
search_distance_unit	可选字符串。与为 search_distance 指定的距离值一起使用的线性单位。如果已设置 search_distance，则必须提供一个值。 选择列表：[“英尺”、“英里”、“米”、“公里”] 默认为“里程”。
output_name	可选字符串或 FeatureLayer 。现有要素图层将导致新图层附加到要素服务。如果 overwrite 在上下文中为 True，则新层将覆盖现有层。如果未指示output_name，则创建新的 FeatureCollection 。
context	可选字典。处理范围和输出空间参考等附加设置。对于find_point_clusters，有三个设置。 extent - 定义分析区域的边界框。仅分析input_layer 中与边界框相交的那些特征。 outSR - 输出要素将投影到 wkid 引用的输出空间参考中。 overwrite - 如果为 True，则 output_name 中的要素层将被新要素层覆盖。适用于 ArcGIS Online 或 Enterprise 11+ # Example Usage context = {"extent": {"xmin": 3164569.408035, "ymin": -9187921.892449, "xmax": 3174104.927313, "ymax": -9175500.875353, "spatialReference":{"wkid":102100,"latestWkid":3857}}, "outSR": {"wkid": 3857}, "overwrite": True}
gis	可选，运行此工具的 GIS 。如果未指定，则使用活动 GIS。
estimate	可选布尔值。如果为 True，将返回运行该操作的积分数。
future	可选，如果为 True，将返回未来对象，并且进程不会等待任务完成。默认为False，表示等待结果。

如果 future = True ，则结果是 Future 对象。调用result() 获取响应。

例子：

# USAGE EXAMPLE: To find patterns of traffic accidents purely on spatial location.
clusters= find_point_clusters(collision,
                              min_features_cluster=200,
                              search_distance=2,
                              search_distance_unit='Kilometers',
                              output_name='find point clusters')