python中空间和非空间分离的分析。
segregation的Python项目详细描述
用pysal进行分离分析、推断和分解
pysal隔离包是分析城市隔离模式的工具。 只要几行代码,分离用户就可以
计算从简单到最先进的40多项隔离措施,包括:
检验分离估计值是否具有统计学意义:
- 单值推理
- 比较推理
分解 分离比较成
- 空间结构差异
- 人口结构引起的差异
安装
pip和anaconda上提供了隔离的发布版本
:P/<
pip install segregation
蟒蛇:
conda install -c conda-forge segregation
您还可以从此存储库安装当前的开发版本
下载蟒蛇:
cd
进入目录并运行以下命令
conda env create -f environment.yml conda activate segregation python setup.py develop
开始
有关分离
api的完整指南,请参阅联机
文档
有关代码演练和示例分析,请参见 示例笔记本
计算分离度
分离模块中的每个索引都实现为一个类,该类是根据构建的。pandas.dataframe
或geopandas.geodataframe
。要估计隔离统计信息,用户需要调用隔离类
她想估计一下,并提出三个论点:
- 包含填充数据的数据帧
- 具有相关组的人口计数的列的名称
- 列的名称以及每个枚举单元的总人口
分离中的每个类都有一个统计属性和一个核心数据属性。
第一个是直接访问特定分离度量的点估计
第二个属性允许访问模块内部使用的主数据
执行评估。
要在上面的第一个通用示例中查看估计的d,用户只需运行
index.statistic
查看拟合值。
单组测量
例如,如果一个用户正在研究收入隔离,并且想知道
高收入居民往往与其他人更加隔离。
此用户可能希望将不同索引(d)适应名为df
to的数据帧。
一个特定的组,其中有"高收入"、"中等收入"和"低收入"等列,存储每个收入中的人数
括号和名为"total_population"的total列
典型的呼叫如下:
fromsegregation.aspatialimportDissimd_index=Dissim(df,"hi_income","total_population")
如果用户希望适应空间差异索引(sd),则调用将接近
同样,除了dataframe
现在需要是geodataframe
和适当的geometry
列之外
fromsegregation.spatialimportSpatialDissimspatial_index=SpatialDissim(gdf,"hi_income","total_population")
一些空间索引还可以接受apysalw
对象,或apandana网络
对象,
它允许用户完全控制如何参数化空间效果。
网络功能对于找出
两个城市有两种截然不同的空间结构造成的隔离措施,
例如底特律MI(左)和门罗LA(右):
对于点估计,所有可用的单组指数总结如下 表:
<表><广告>多组测量
分离也有助于估计多组分离测度。
在本例中,调用与单个组几乎相同,只是现在我们传递一个 列名而不是单个字符串; 重新引用上面的收入隔离示例,示例调用可能如下所示
fromsegregation.aspatialimportMultiDissimindex=MultiDissim(df,['hi_income','med_income','low_income'])
index.statistic
下表总结了可用的多组索引:
<表><广告>当地措施
此外,还可以计算局部分离度。 属性将包含这些索引的值。注意: 在这种情况下,属性是复数的,因为许多统计数据都是拟合的,其中一个用于 每个枚举单元本地分隔索引都具有与其全局索引相同的签名 下表总结了表中的表兄妹:
<表><广告>统计显著性检验
一旦分离指数被拟合,用户就可以进行推断,为 区域分析中的统计显著性。 推理框架的摘要如下表所示:
<表><广告>单值推理
两值推断
分解
另一个有用的分析可以在分离模块中执行
一种分解方法,其中两个不同的索引可以分解为它们的空间
组件(c_s
)和属性组件(c_a
)。表中总结了该框架
以下:
在这种情况下,底特律和门罗的测量数据的差异是 主要归因于他们的人口构成,而不是 两个城市。 (注意,这是预期的,因为d不是空间索引)
贡献
Pysal隔离正在积极发展中,欢迎投稿。
如果您有任何建议、功能请求或错误报告,请打开一个新的 github上的问题。 要提交修补程序,请遵循pysal开发 指南并打开 拉取请求。一旦合并了更改,您将 自动添加到 贡献者列表
支架
如果您有问题,请在 收发室
许可证
该项目是根据 BSD许可证
资金
Renan Xavier Cortes感谢Coordena_o de Aperfei_oamento de的支持 巴西国家石油公司(Capes)-流程号88881.170553/2018-01