我想将一些基本的聚类技术应用于一些经纬度坐标。类似于聚类（或一些无监督学习）的东西，将坐标分成由它们的great circle 距离或geodesic 距离确定的组。 注意：这可能是一个非常糟糕的方法，所以请提出建议。
理想情况下，我想在R 中解决这个问题。
我进行了一些搜索，但也许我错过了一个可靠的方法？我遇到过这些软件包：flexclust 和 pam——但是，我还没有遇到关于以下内容的明确示例：
flexclut（通过kcca 或cclust）或pam 是否考虑随机重启？【问题讨论】：
标签： r cluster-analysis
关于您的第一个问题：由于数据是长/纬度，一种方法是在包fossil 中使用earth.dist(...)（计算大圆距离）：
library(fossil)
d = earth.dist(df) # distance object
另一种方法在geosphere 包中使用distHaversine(...)：
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))
}
这里的好处是您可以使用geosphere 中的任何其他距离算法，或者您可以定义自己的距离函数并使用它来代替distHaversine(...)。然后应用任何基本的 R 聚类技术（例如，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
最后，一个真实的例子：
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$NAME=="California",]
map.df <- fortify(map.CA)
ggplot(map.df)+
geom_path(aes(x=long, y=lat, group=group))+
geom_point(data=df, aes(x=long, y=lat, color=factor(clust)), size=4)+
scale_color_discrete("Cluster")+
coord_fixed()
城市数据来自GeoLite。美国各州 shapefile 来自Census Bureau。
编辑回应@Anony-Mousse 评论：
“LA”被划分为两个集群可能看起来很奇怪，但是，扩大地图显示，对于这个随机选择的城市，集群 3 和集群 4 之间存在差距。集群 4 基本上是圣莫尼卡和伯班克；集群 3 是帕萨迪纳、南洛杉矶、长滩以及以南的一切。
K-means 聚类（4 个聚类）确实将 LA/Santa Monica/Burbank/Long Beach 周围的区域保持在一个聚类中（见下文）。这只是归结为kmeans(...) 和hclust(...) 使用的不同算法。
km <- kmeans(d, centers=4)
df$clust <- km$cluster
值得注意的是，这些方法要求所有点都必须进入某个集群。如果你只问哪些点靠得很近，并允许一些城市不进入任何集群，你会得到非常不同的结果。
【讨论】：