1
聚类相关
聚类，通俗的说就是的“物以类聚”，你挨着谁近(地理位置上的意义)就可能是同一类别，反之，就可能不是同属类，这也符合地理学第一定律。
基本原理都是根据要素的自身属性，可能是空间的或者非空间的，利用数学方法按照某种相似性或差异性的指标，定量的确定各个要素之间的亲疏关系，然后按照这种亲疏关系的程度对要素进行聚类。
统计学以及机器学习中都有涉及相关的聚类算法，从地理空间要素的角度考虑，这也是我们GIS中能和机器学习结合的其中一个点，我们对地理空间数据结构、管理组织的理解，也算是相比专业计算机干机器学习的一个小优点。
Postgis主要实现并提供了四种聚类方法，前两个为窗口函数，后两个为聚合函数：
ST_ClusterKMeans -- 该函数是窗口函数，主要是用K-means(K均值聚类)算法进行聚类，算法原理比较简单，容易实现，主要适用于点样本数据，如果是多边形则用多边形的中心点计算，只有一个参数K簇，就是事先明确了要把这一堆样本数据聚成K个类，然后去计算一个目标函数达到最优解，因此K值对结果影响比较大，不太好选取，而且该算法而且适合凸的数据集，这也算法容易收敛；
ST_ClusterDBSCAN -- 该函数也是窗口函数，主要利用DBSCAN算法对输入的地理要空间素进行聚类，该算法基于密度进行聚类，直觉上更加符合认知，主要是通过地理要素分布的紧密程度决定，同一类别的样本之间是紧密相连的，不同样本是分离的。该算法相对复杂，比较常用，聚类效果较好，详细原理这里不做介绍，Spark，python，r语言等提供的很多机器学习包都提供了该算法的实现，曾经也写过简单的python实现，有兴趣可查阅相关资料了解，能够直接用就行。
ST_ClusterIntersecting -- 该函数是一个聚合函数，方法比较好理解，顾名思义就是把相交关联关系的地理要素作为一个类簇。具体的函数声明和用法，看官网的例子介绍很容易看懂，也可以拿数据进行测试实验，不是很常用，不做重点；
ST_ClusterWithin -- 该函数也是一个聚合函数，也很好理解，顾名思义通过一个距离参数，将距离之内的地理要素聚成一个类别，距离之外的就是非同类。详细可参考官网，也不做重点；
下面对ST_ClusterDBSCAN作详细介绍，该聚类方法用处比较大，有较多应用场景，比如可以应用于点抽稀，聚合展示，热力图，在数据量较大时实现在不同尺度下降低数据量的渲染等等 。为了对该函数的使用有更好的理解，简要介绍下DBSCAN，该算法定义了一系列术语，这里讲两个重要的：
一是领域半径eps，通俗解释就是，以我为圆心,半径为eps内的其他要素可以作为我的邻域，也就是我们是可能作为同一类的，一般我们采用投影坐标；
另一个是MinPts，因为是密度聚类算法，这个最小的点数目就是作为聚类的密度约束，每个类簇至少有MinPts个点；
总的来说，你以eps半径进行搜索，搜到我附近至少有了MinPts个点，那说明你就是一个核心点，是有可能发展成一个类簇的。
2
官网介绍相关
函数定义，有三个参数，（窗口函数中的每一个地理要素，搜索半径，最小点数），根据以上分析应该不难理解：
integer ST_ClusterDBSCAN(geometry winset geom, float8 eps, integer minpoints);
官网给的解释：
对于那些处在边界的地理要素，按照eps搜索半径搜索归类时，可能处于模糊状态，可以被分到不同的类别中，但是可以保证每次调用该算法时都得到相同的分类结果，我们平常用postgis的时候不会过多考虑，倒是后边两个参数，可能需要多次试验，已达到理想的效果。
官网给出的注意事项：
对于输入的一个地理要素，如果不满足聚类的规则条件，没有被分到任何一个类簇，那么他的类簇id就是空的。
3
测试实验
数据源：
实验数据采用osm上下载的poi点数据，选取河南省范围内的1565条数据；
数据处理：
由于osm数据下载的都是经纬度坐标，需要先通过工具进行投影转换，转为投影坐标，可查阅arcgis坐标投影的相关操作；
实验过程：
1.参数eps=1km,MinPts=3,聚类后并创建新的分类表：
2.查询多少各类
3.对聚类结果进行合并，将同一类的合并取中心点坐标，然后统计该类别的数目，并导出表：
其中还用到了ST_Collect，ST_Centroid两个函数，比较简单，可直接参考官网。
实验结果：
在eps=1km,MinPts=3的参数条件下：
聚类结果共69类，
包含1291个点，
类簇最大的有284个点，
有274个点没有被划分到任何一个类别
聚类结果在Arcgis中打开，其中小方块显示的是该类簇下的点个数，圆圈越大表示该类簇下的点数越多，可以根据需求作为一个权重值，浅蓝色的点是原始的poi点。
文章涉及数据源可以后台回复："postgis聚类"获得。
◆
