Le Clustering de géo-localisation coordonnées (lat,long paires) à l'aide de l'algorithme KMeans avec Python

En utilisant le code suivant cluster les coordonnées géographiques des résultats en 3 groupes:

    import numpy as np
    import matplotlib.pyplot as plt
    from scipy.cluster.vq import kmeans2, whiten

    coordinates= np.array([
               [lat, long],
               [lat, long],
                ...
               [lat, long]
               ])
    x, y = kmeans2(whiten(coordinates), 3, iter = 20)  
    plt.scatter(coordinates[:,0], coordinates[:,1], c=y);
    plt.show()

Est-il le droit d'utiliser Kmeans pour l'emplacement de clustering, car il utilise La distance euclidienne et pas Haversine formule comme une fonction de distance?

OriginalL'auteur user1264304 | 2014-07-15

  1. 5

    Il dépend fortement de votre demande:

    • Autour de l'équateur, les résultats devraient être assez précise. À proximité de l'un des pôles les résultats ne seront pas utiles à tous.
    • Il pourrait, toutefois, le travail comme un pré-pocessing étape ou pour les applications avec de faibles exigences en matière de précision, par exemple, de petites, non-cumul et très clusters distincts.

    Si vous avez vraiment besoin de la Haversine formule, vous voudrez peut-être regarder dans cette discussion. Comme Anony-Mousse dit:

    Noter que Haversine distance n'est pas approprié pour les k-means ou regroupement moyenne lien, à moins de trouver une façon intelligente de calcul de la moyenne qui minimise la variance. Ne pas utiliser la moyenne arithmétique si vous avez la -180/+180 wrap-around de latitude-longitude coordonnées.

    OriginalL'auteur Falko

  2. 5

    k-means est pas un bon algorithme à utiliser pour l'agrégation spatiale, pour les raisons que vous meantioned. Au lieu de cela, vous pourriez faire de ce regroupement d'emploi à l'aide de scikit-learn DBSCAN avec le haversine métrique et de billes d'algorithme d'arbre.

    Ce tutoriel montre clustering de latitude-longitude de données spatiales avec DBSCAN/haversine et évite tous ces Euclidienne distance des problèmes:

    df = pd.read_csv('gps.csv')
coords = df.as_matrix(columns=['lat', 'lon'])
db = DBSCAN(eps=eps, min_samples=ms, algorithm='ball_tree', metric='haversine').fit(np.radians(coords))

    Noter que cette utilise spécifiquement scikit-learn v0.15, comme certains plus tôt/tard versions semblent exiger une pleine matrice de distance pour être calculé. Notez également que l'eps valeur est en radians et que .ajustement() prend les coordonnées en radian unités pour la haversine métrique.

    OriginalL'auteur eos