Approches spatiales géodésique latitude longitude de clustering dans R avec géodésique ou grand cercle distances

Concernant votre première question: Puisque les données sont long/lat, une approche consiste à utiliser earth.dist(...) dans le paquet fossil (calcule grand cercle dist):

library(fossil)
d = earth.dist(df)    # distance object

Une autre approche utilise distHaversine(...) dans le geosphere package:

geo.dist = function(df) {
  require(geosphere)
  d <- function(i,z){         # z[1:2] contain long, lat
    dist <- rep(0,nrow(z))
    dist[i:nrow(z)] <- distHaversine(z[i:nrow(z),1:2],z[i,1:2])
    return(dist)
  }
  dm <- do.call(cbind,lapply(1:nrow(df),d,df))
  return(as.dist(dm))
}

L'avantage ici est que vous pouvez utiliser l'une de l'autre distance algorithmes geosphere, ou vous pouvez définir votre propre fonction de distance et utiliser à la place de distHaversine(...). Puis, appliquez de la base de R les techniques de regroupement (par exemple, kmeans, hclust):

km <- kmeans(geo.dist(df),centers=3)  # k-means, 3 clusters
hc <- hclust(geo.dist(df))            # hierarchical clustering, dendrogram
clust <- cutree(hc, k=3)              # cut the dendrogram to generate 3 clusters

Enfin, un exemple réel:

setwd("<directory with all files...>")
cities <- read.csv("GeoLiteCity-Location.csv",header=T,skip=1)
set.seed(123)
CA     <- cities[cities$country=="US" & cities$region=="CA",]
CA     <- CA[sample(1:nrow(CA),100),]   # 100 random cities in California
df     <- data.frame(long=CA$long, lat=CA$lat, city=CA$city)

d      <- geo.dist(df)   # distance matrix
hc     <- hclust(d)      # hierarchical clustering
plot(hc)                 # dendrogram suggests 4 clusters
df$clust <- cutree(hc,k=4)

library(ggplot2)
library(rgdal)
map.US  <- readOGR(dsn=".", layer="tl_2013_us_state")
map.CA  <- map.US[map.US$NAME=="California",]
map.df  <- fortify(map.CA)
ggplot(map.df)+
  geom_path(aes(x=long, y=lat, group=group))+
  geom_point(data=df, aes(x=long, y=lat, color=factor(clust)), size=4)+
  scale_color_discrete("Cluster")+
  coord_fixed()

La ville données est de GeoLite. Aux Etats-unis shapefile est à partir de la Bureau De Recensement.

Modifier en réponse à @Anony-Mousse commentaire:

Il peut sembler étrange que "LA" est divisé entre les deux groupes, cependant, l'expansion de la carte montre que, pour cette sélection aléatoire des villes, il y a un écart entre le cluster 3 cluster et 4. Groupe 4 est essentiellement de Santa Monica et de Burbank; groupe 3 est Pasadena, dans le Sud de los angeles, Long Beach, et tout le sud de l'.

De clustering K-means (4 groupes) ne gardez la zone autour de los angeles/Santa Monica/Burbank/Long Beach dans un cluster (voir ci-dessous). Cela vient à travers les différents algorithmes utilisés par kmeans(...) et hclust(...).

km <- kmeans(d, centers=4)
df$clust <- km$cluster

Il est intéressant de noter que ces méthodes exigent que tous les points doivent aller dans un cluster. Si vous il suffit de demander les points qui sont proches les uns, et de permettre que certaines villes ne pas aller dans un cluster, vous obtenez des résultats très différents.

OriginalL'auteur jlhoward