从0开始学习R语言--Day27--空间自相关

有的时候,我们在数据进行分组时,会发现用正常的聚类分析的方法和思维,分组的情况不是很理想。其实这是因为我们常常会忽略一个问题:假设我们正在分析的数据是真实的,那么它也肯定在一定程度上符合客观规律。而如果我们正在分析的数据中,有真实的客观空间数据时,可以考虑用空间自相关的方法去分析。

例如我们在分析城市犯罪率的时候,用聚类分析的思维,我们可能会思考不同城市的犯罪特征是什么,是否有相似点,亦或是试图把城市分成几种犯罪模式的归属;而如果用空间自相关的思想去看待,问题会变成,高犯罪率的街区在空间上是否聚集或靠近,哪些区域是犯罪率高的热点区域这种客观空间上的问题。

以下是一个例子:

R 复制代码
# 加载必要的包

library(spdep)
library(sp)
library(ggplot2)

# 设置随机种子保证结果可重复
set.seed(123)

# 1. 创建空间网格数据
grid_size <- 10
coords <- expand.grid(x = 1:grid_size, y = 1:grid_size)

# 2. 构建空间权重矩阵(4个最近邻)
nb <- knn2nb(knearneigh(as.matrix(coords), k = 4))
listw <- nb2listw(nb, style = "W")

# 3. 生成空间自相关数据(替代方法)
rho <- 0.7
y <- rnorm(grid_size^2)  # 初始随机数据
for(i in 1:10){ 
  y <- rho * lag.listw(listw, y) + y  # 迭代增强空间自相关
}

# 4. 创建数据框(此时y已生成)
spatial_data <- data.frame(
  x = coords$x,
  y = coords$y,
  value = scale(y)  # 标准化数据
)

# 5. 可视化结果
ggplot(spatial_data, aes(x, y, fill = value)) +
  geom_tile() + 
  scale_fill_viridis_c() +
  labs(title = paste("空间自相关数据 (rho =", rho, ")"),
       subtitle = "颜色越黄表示值越高") +
  theme_minimal()

# 计算空间权重矩阵
coords_mat <- as.matrix(spatial_data[, c("x", "y")])
nb <- knn2nb(knearneigh(coords_mat, k = 4))
listw <- nb2listw(nb, style = "W")

# 计算Moran's I
moran_test <- moran.test(spatial_data$value, listw)
print(moran_test)

# 结果解读:
# Moran I statistic > 0 表示正空间自相关(聚集)
# p-value < 0.05 表示空间自相关显著

# 计算局部Moran's I
local_moran <- localmoran(spatial_data$value, listw)

# 将结果添加到数据中
spatial_data$local_i <- local_moran[, "Ii"]
spatial_data$p_value <- local_moran[, "Pr(z != E(Ii))"]

# 可视化局部空间自相关
ggplot(spatial_data, aes(x, y, fill = local_i)) +
  geom_tile() +
  scale_fill_gradient2(low = "blue", mid = "white", high = "red") +
  theme_minimal() +
  ggtitle("局部Moran's I值")

# 显示显著的热点(p < 0.05)
spatial_data$significant <- spatial_data$p_value < 0.05
ggplot(spatial_data, aes(x, y, fill = significant)) +
  geom_tile() +
  scale_fill_manual(values = c("TRUE" = "red", "FALSE" = "gray")) +
  theme_minimal() +
  ggtitle("显著的空间自相关区域(p < 0.05)")

输出:

R 复制代码
	Moran I test under randomisation

data:  spatial_data$value  
weights: listw    

Moran I statistic standard deviate = 12.836, p-value < 2.2e-16
alternative hypothesis: greater
sample estimates:
Moran I statistic       Expectation          Variance 
      0.858001632      -0.010101010       0.004573975 

Moran's值为0.858接近1,表明结果是强正空间相关的,p小于0.05更加强了结果的说服性,而图中所显示的说明重点区域多在横轴大于7.5的边缘地带,数据中有这个特征的在计算时需要额外乘以系数。

相关推荐
墨染枫18 分钟前
pytorch学习笔记-自定义卷积
pytorch·笔记·学习
今天也好累2 小时前
C 语言基础第16天:指针补充
java·c语言·数据结构·笔记·学习·算法
朱小弟cs64 小时前
Orange的运维学习日记--16.Linux时间管理
linux·运维·学习
两颗泡腾片5 小时前
C++提高编程学习--模板
c++·学习
shangyingying_15 小时前
关于神经网络CNN的搭建过程以及图像卷积的实现过程学习
神经网络·学习·cnn
ayas123198 小时前
CSS学习
前端·css·学习
Chase_______9 小时前
redis快速入门及使用
java·数据库·redis·学习·spring·缓存
阿群今天学习了吗9 小时前
RNN、LSTM、Transformer推荐博文
人工智能·笔记·python·学习·算法
Linux技术支持工程师9 小时前
三十四、【Linux常用工具】rsync+inotify实时同步演示
linux·运维·服务器·学习·kylin
●VON10 小时前
重生之我在暑假学习微服务第五天《Docker部署项目篇》
java·学习·docker·微服务·云原生·架构·暑假