聚类地理位置坐标（纬线，长线对）

什么是正确的地理位置聚类方法和聚类算法？

我正在使用以下代码对地理位置坐标进行聚类：

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()

使用K均值进行地理位置聚类是否正确，因为它使用的是欧几里得距离，而不是Haversine公式作为距离函数？

在这种情况下，K均值应该是正确的。由于k均值试图仅基于对象之间的欧几里得距离进行分组，因此您将获得彼此靠近的位置簇。

要找到最佳数目的聚类，您可以尝试对平方距离的组内和进行“肘部”绘制。这可能会有所帮助（http://nbviewer.ipython.org/github/nborwankar/LearnDataScience/blob/master/notebooks/D3.%20K-Means%20Clustering%20Analysis.ipynb）

在这里，K均值不是最合适的算法。

原因是k-means旨在最小化方差。当然，这是从统计和信号处理的角度来看的，但是您的数据不是“线性的”。

由于您的数据采用纬度，经度格式，因此您应该使用一种可以处理任意距离函数（尤其是大地测距函数）的算法。分层群集，PAM，CLARA和DBSCAN是这种情况的流行示例。

https://www.youtube.com/watch?v=QsGOoWdqaT8建议使用OPTICS群集。

当您考虑接近+ -180度环绕点的点时，很容易看到k均值的问题。即使您破解了k均值以使用Haversine距离，在更新步骤中重新计算均值时，结果也将被严重破坏。最糟糕的情况是，k均值将永远不会收敛！

GPS坐标可以直接转换为geohash。Geohash根据位数将地球分为大小不同的“存储桶”（较短的Geohash代码创建较大的区域，较长的代码创建较小的区域）。Geohash是一种可调精度的聚类方法。

我的答案可能很晚，但是如果您仍在处理地理聚类，那么您可能会发现这项研究很有趣。它涉及两种比较不同的地理数据分类方法的比较：K均值聚类和潜在类增长建模。

研究中的图像之一：

作者得出的结论是，最终结果总体上是相似的，并且在某些方面，LCGM过度渗透了K均值。

您可以为此使用HDBSCAN。python软件包支持hasversine距离，可以正确计算经纬度点之间的距离。

如文档所述，您首先需要将点转换为弧度才能起作用。以下psuedocode应该可以解决问题：

points = np.array([[lat1, lon1], [lat2, lon2], ...])
rads = np.radians(points)
clusterer = hdbscan.HDBSCAN(min_cluster_size=N, metric='haversine')
cluster_labels = clusterer.fit_predict(points)

用k均值算法对位置进行聚类不是一个好主意。您的位置可以分布在世界各地，您无法预测群集的数量，不仅是如果将群集设置为1，那么位置还将被分组为1个单个群集。我正在使用分层集群。

Java Apache commons-math很容易做到这一点。

https://commons.apache.org/proper/commons-math/javadocs/api-3.1/org/apache/commons/math3/stat/clustering/DBSCANClusterer.html

List<Cluster<T>>    cluster(Collection<T> points) 

与Kmeans群集一起使用，因为HBScan将永远使用。我为一个项目尝试了它，但最终使用Kmeans获得了预期的结果。