Análisis cluster/de valor atípico con representación en pantalla (Estadística espacial)

Resumen

Dado un conjunto de entidades ponderadas, identifica puntos calientes, puntos fríos y valores atípicos espaciales mediante la estadística de I Anselin local de Moran. Después aplica representación en pantalla de frío a cálido a los resultados de puntuación z.

HerenciaHerencia:

Debido a las nuevas capacidades en ArcGIS que permiten la asociación de la salida de las herramientas de modelo y secuencia de comandos con la representación en pantalla predeterminada, esta herramienta será depreciada después de ArcGIS 10.1.

Ilustración

Cluster and Outlier Analysis illustration

Uso

Sintaxis

ClustersOutliersRendered_stats (Input_Feature_Class, Input_Field, Output_Layer_File, Output_Feature_Class)
ParámetroExplicaciónTipo de datos
Input_Feature_Class

La clase de entidad para la que se realizará el análisis cluster.

Feature Layer
Input_Field

El campo que se evaluará.

Field
Output_Layer_File

El archivo de capa de salida que almacenará información de representación en pantalla.

Layer File
Output_Feature_Class

La clase de entidad de salida que recibirá el campo de resultados, la puntuación z, el valor P y la designación de tipo de cluster.

Feature Class

Ejemplo de código

Ejemplo de Análisis cluster y de valor atípico con representación en pantalla (ventana de Python)

La siguiente secuencia de comandos de la ventana de Python muestra cómo utilizar la herramienta Análisis cluster y de valor atípico con representación en pantalla.

import arcpy arcpy.env.workspace = "c:/data/911calls" arcpy.ClustersOutliersRendered_stats("911Count.shp", "ICOUNT","911ClusterOutlier_rendered.lyr", "911ClusterOutlier.shp")
Ejemplo de Análisis cluster y de valor atípico con representación en pantalla (secuencia de comandos de Python independiente).

La siguiente secuencia de comandos de Python independiente muestra cómo utilizar la herramienta Análisis cluster y de valor atípico con representación en pantalla.

# Analyze the spatial distribution of 911 calls in a metropolitan area # using the Cluster-Outlier Analysis with Rendering Tool (Anselin's Local Moran's I)  # Import system modules import arcpy  # Set geoprocessor object property to overwrite outputs if they already exist arcpy.gp.OverwriteOutput = True  # Local variables... workspace = r"C:\Data\911Calls"  try:     # Set the current workspace (to avoid having to specify the full path to the feature classes each time)     arcpy.env.workspace = workspace      # Copy the input feature class and integrate the points to snap     # together at 500 feet     # Process: Copy Features and Integrate     cf = arcpy.CopyFeatures_management("911Calls.shp", "911Copied.shp",                          "#", 0, 0, 0)      integrate = arcpy.Integrate_management("911Copied.shp #", "500 Feet")      # Use Collect Events to count the number of calls at each location     # Process: Collect Events     ce = arcpy.CollectEvents_stats("911Copied.shp", "911Count.shp", "Count", "#")      # Cluster/Outlier Analysis of 911 Calls     # Process: Local Moran's I     clusters = arcpy.ClustersOutliersRendered_stats("911Count.shp", "ICOUNT",                          "911ClusterOutlier_rendered.lyr", "911ClusterOutlier.shp")  except:     # If an error occurred when running the tool, print out the error message.     print arcpy.GetMessages()

Entornos

Sistema de coordenadas de salida

La geometría de la entidad se proyecta al Sistema de coordenadas de salida antes del análisis, por lo tanto los valores introducidos para el parámetro Banda de distancia o distancia de umbral deben coincidir con los que se especificaron en el Sistema de coordenadas de salida. Todos los cálculos matemáticos se basan en la referencia espacial del Sistema de coordenadas de salida.

Temas relacionados

9/11/2013