我们最近的博文描述了地理加权回归方法用于估计局部空间关系的可用性之后我们现在在中纳入了对一组新空间函数的支持以分析基于点的数据的空间模式。尽管领先的数据仓库已经为空间数据提供了一定程度的支持但它们缺乏许多地理空间用例所需的一些高级分析功能。使用空间和多种高级空间函数扩展了最流行的云数据仓库的地理空间功能。请参阅我们的产品文档了解和的中的同功能。基于点的数据描述了空间中的同位置例如兴趣点如杂货店餐馆办公室医院等。在处理点数据时通常需要对这些位置之间的关系进行初步分析。在这篇博文中我们介绍了三个用于分析点数据的新函数这些函数现在可在的中使用近邻函数用于查找一组点数据中每个点的近邻；用于识别空间异常值的局部异常值因子函数；最后是函数来检查点数据的空间分布。最近邻当使用我们在本博文中描述的兴趣点数据时我们可能希望找到距离休斯顿每家星巴克最近的家餐厅。
正如下面的示例所示我们使用了来自数据合作伙伴的一些数据我们可以通过使用最近邻函数来实现_____==''其中表__存储来自的休斯顿所有星巴克的位置和品牌。这些是 地图上的结果局部离群因素还可以利用最近邻 [b][url=https://www.latestdatabase.cn/italy-phone-data/]意大利语移动数据[/url][/b] 函数通过计算称为局部异常值因子的索引来发现空间异常值。是通过将每个点的局部密度与其邻居的局部密度进行比较来计算的其中局部密度是通过从其邻居到达点的典型距离来估计的。考虑到休斯顿地区的样本我们可以使用中的局部离群因子函数计算每个数据点的___=其中对于表中存储的每个点计算局部密度时考虑最近的=个邻居。尽管在上面的查询中我们将函数的结果与输入表连接起来以检索每个的分数及其品牌和类别但我们可以使用过程它将结果自动存储在输出表中其他输入列。从下面的地图中我们可以看到假设因子大于>>的点是空间异常值我们检测到邮政编码属于区域的点函数最后基于距离的分析也可以应用于点数据以确定数据位置是否有在一个区域上呈现系统模式而是随机分布的趋势。
为此我们可以计算函数它表示一阶最近邻距离的累积频率分布。假设数据点随机分布完全空间随机性我们可以通过将该经验函数与其期望值进行比较来确定位置是否随机分布该假设可以估计为齐次泊松点过程的强度计算方式为点数据总数除以研究区域的面积。价值观建议随机模式而值指示聚类模式最近邻距离比泊松过程短和值一种规则抑制模式其中点倾向于相互避开。通过计算休斯顿地区示例数据集的函数``___绘制结果我们可以看到它们的位置聚集在一起这表明的位置并独立于其他绘制函数结果使用增强空间分析截至今天我们的中提供了和函数方法。我们将在未来几周内宣布进一步的云原生开发因此请继续关注我们的定期更新想开始吗？注册天免费试用欧盟旗帜该项目已获得欧盟研究和创新计划的资助资助协议编号为。