使用固定数量的聚类在Python中聚类纬度经度点

Question

kmeans对于地理空间坐标无法正常工作 - 即使将距离函数更改为如所述here所述的半径也是如此。

我看了DBSCAN但没有 让我设置固定数量的集群。

1. 是否有任何算法（如果可能，在python中）与kmeans具有相同的输入值？或
2. 我可以轻松地将纬度，经度转换为欧几里得坐标（x，y，z），并完成here并对我的数据进行计算吗？

它不一定非常准确，但如果它会好的话会很好。

Answer 1

当您的地理数据跨越大面积时，仅使用纬度和经度会导致问题。特别是因为经度之间的距离较小。为了解释这一点，最好先将lon和lat转换为笛卡尔坐标。

如果您的地理数据跨越美国，例如您可以定义一个原点，从中计算距离作为连续美国的中心。我相信它位于北纬39度50分钟，经度98度35分钟。

将lat lon转换为CARTESIAN坐标 - 使用hasrsine计算距离，从数据集中的每个位置到定义的原点。我建议Latitude 39度50分钟，经度98度35分钟。

您可以在python中使用hasrsine来计算这些距离：

from haversine import haversine
origin = (39.50, 98.35)
paris = (48.8567, 2.3508)
haversine(origin, paris, miles=True)

现在你可以使用k-means对这些数据进行聚类，假设地球的哈尔辛模型足以满足你的需要。如果您正在进行数据分析而不是计划发射卫星，我认为这应该没问题。

Answer 2

你试过kmeans吗？在相关问题中提出的问题似乎是接近180度的点。如果你的积分足够接近（例如在同一个城市或国家），那么kmeans可能对你有效。