การจัดกลุ่มข้อมูลทางภูมิศาสตร์ตามตำแหน่งของจุดและค่าจุดที่เกี่ยวข้อง

กำหนดจุดข้อมูลด้วยลองจิจูดละติจูดและค่าคุณสมบัติที่สามของจุดนี้ ฉันจะจัดกลุ่มคะแนนเป็นกลุ่ม (ภูมิภาคย่อยทางภูมิศาสตร์) ตามมูลค่าทรัพย์สินได้อย่างไร ฉันค้นหาโดย google และพบว่าปัญหานี้ดูเหมือนว่าจะเรียกว่า "การจัดกลุ่มแบบ จำกัด เชิงพื้นที่" หรือ "การกำหนดภูมิภาค" อย่างไรก็ตามฉันไม่คุ้นเคยกับการจัดการข้อมูลทางภูมิศาสตร์และยังไม่ทราบว่าอัลกอริทึมชนิดใดที่ดีและแพ็คเกจ python / R ใดที่ดีสำหรับงานนี้

หากต้องการให้แนวคิดที่ง่ายขึ้นเกี่ยวกับสิ่งที่ฉันต้องการสมมติว่าแผนการกระจายข้อมูลของฉันมีดังนี้

ดังนั้นแต่ละจุดคือจุด, x คือลองจิจูด, y คือละติจูด, และตารางสีแสดงว่าค่านั้นใหญ่หรือเล็ก ฉันต้องการแบ่งจุดเหล่านั้นออกเป็นภูมิภาคย่อย / กลุ่ม / กลุ่มตามสถานที่และความคล้ายคลึงกันของค่า ชอบสิ่งต่อไปนี้ (ไม่ใช่สิ่งที่ฉันต้องการเพียงแค่แสดงความคิดที่เป็นธรรมชาติ):

ดังนั้นฉันจะบรรลุสิ่งนี้ได้อย่างไร

แพ็กเกจ rioja จัดเตรียมฟังก์ชันการทำงานสำหรับการทำคลัสเตอร์แบบลำดับชั้นที่มีข้อ จำกัด สำหรับสิ่งที่คุณคิดว่าเป็น "ข้อ จำกัด เชิงพื้นที่" ของคุณคุณจะระบุการตัดตามระยะทางในขณะที่สำหรับ "ภูมิภาค" คุณสามารถใช้ k เพื่อนบ้านที่ใกล้ที่สุด ฉันขอแนะนำให้ฉายข้อมูลของคุณดังนั้นจึงอยู่ในระบบพิกัดระยะทาง

require(sp)
require(rioja)

data(meuse)
  coordinates(meuse) <- ~x+y
  cdat <- data.frame(x=coordinates(meuse)[,1],y=coordinates(meuse)[,2])
  rownames(cdat) <- rownames(meuse@data)

# Constrained hierarchical clustering 
chc <- chclust(dist(cdat), method="conslink")

# Using kNN with 3 neighbors
chc.n3 <- cutree(chc, k=3) 

# Using distance 
chc.d200 <- cutree(chc, h=200) 

meuse@data <- data.frame(meuse@data, KNN=as.factor(chc.n3), DClust=chc.d200)

opar <- par
  par(mfcol=c(1,2))  
   cols <- topo.colors(length(unique(meuse@data$KNN)))  
    color <- rep("xx", nrow(meuse@data))
      for(i in 1:length(unique(meuse@data$KNN))) {
        v <- unique(meuse@data$KNN)[i] 
          color[(meuse@data$KNN == v)] <- cols[i]
        }
    plot(meuse, col=color, pch=19, main="kNN Clustering")
      box()

    cols <- topo.colors(length(unique(meuse@data$DClust)))  
    color <- rep("xx", nrow(meuse@data))
      for(i in 1:length(unique(meuse@data$DClust))) {
        v <- unique(meuse@data$DClust)[i] 
          color[(meuse@data$DClust == v)] <- cols[i]
        }
    plot(meuse, col=color, pch=19, main="Distance Clustering")
      box() 
par <- opar