Python ArcGIS find_point_clusters用法及代碼示例

本文簡要介紹 python 語言中 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，否則為 FeatureCollection 。

find_point_clusters 方法根據其空間分布在周圍噪聲中查找點特征集群。

該方法使用無監督機器學習聚類算法來檢測點特征的模式，純粹基於空間位置，以及到指定數量特征的距離(可選)。

結果圖顯示了識別的每個集群以及被認為是噪聲的特征。將為多個集群分配每種顏色。顏色將被分配和重複，以便每個集群在視覺上與其相鄰集群不同。

該方法利用了兩種相關的算法。默認情況下，HDBSCAN 算法用於查找簇。如果指定search_distance，則使用 DBSCAN 算法。僅當有非常明確的搜索距離可用於分析並且返回具有相似密度的簇時，DBSCAN 才適用。當未指定 search_distance 時，HDBSCAN 將使用一係列距離將不同密度的簇與稀疏噪聲分開，從而產生更多數據驅動的簇。

Parameter	Description
analysis_layer	必需的層。將為其計算基於密度的聚類的點要素圖層。請參閱特征輸入。
min_features_cluster	必需的整數。被視為集群的最小特征數。任何特征少於所提供數量的集群都將被視為噪聲。
search_distance	可選浮點數。要考慮的最大距離。必須在此距離內找到指定的每個集群的最小要素才能獲得集群成員資格。各個集群將至少相隔此距離。如果某個要素與聚類中下一個最近要素的距離超過此距離，則它不會包含在聚類中。
search_distance_unit	可選字符串。與為 search_distance 指定的距離值一起使用的線性單位。如果已設置 search_distance，則必須提供一個值。 選擇列表：[“英尺”、“英裏”、“米”、“公裏”] 默認為“裏程”。
output_name	可選字符串或 FeatureLayer 。現有要素圖層將導致新圖層附加到要素服務。如果 overwrite 在上下文中為 True，則新層將覆蓋現有層。如果未指示output_name，則創建新的 FeatureCollection 。
context	可選字典。處理範圍和輸出空間參考等附加設置。對於find_point_clusters，有三個設置。 extent - 定義分析區域的邊界框。僅分析input_layer 中與邊界框相交的那些特征。 outSR - 輸出要素將投影到 wkid 引用的輸出空間參考中。 overwrite - 如果為 True，則 output_name 中的要素層將被新要素層覆蓋。適用於 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	可選，運行此工具的 GIS 。如果未指定，則使用活動 GIS。
estimate	可選布爾值。如果為 True，將返回運行該操作的積分數。
future	可選，如果為 True，將返回未來對象，並且進程不會等待任務完成。默認為False，表示等待結果。

如果 future = True ，則結果是 Future 對象。調用result() 獲取響應。

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')