GeoDa(空间数据分析软件)

GeoDa(空间数据分析软件)，能够运用GeoDa软件做空间自相关剖析，根据探索和模型空间方式，GeoDa向客户出示了全新升级的空间数据统计分析角度，GeoDa能够运作在Windows、MacOSX 和Linux系统软件上。

软件简介

　　GeoDa是一个完全免费、开源系统的空间数据统计分析软件。 根据探索和模型空间方式，GeoDa向客户出示了全新升级的空间数据统计分析角度。

　　GeoDa是由 Luc Anselin 博士研究生和其精英团队开发设计的. 该程序流程出示了友善的操作界面及其丰富多彩的用以探索性空间数据统计分析(ESDA)的方式，例如空间自相关统计分析(spatial autocorrelation statistics)和基础的空间多元回归分析(spatial regression analysis)。

　　从二零零三年二月GeoDa公布第一个版本号至今， GeoDa的用户数 加倍的提高。截至17年6月，GeoDa的用户数早已超出了二十万。 包含哈佛大学，麻省理工、康奈尔等著名大学都会试验室中安裝并应用GeoDa软件。GeoDa软件获得了客户和新闻媒体普遍的五星好评，被称作“一个十分关键的分析工具”，“一款制做精湛的软件”，拥有 “振奋人心的进度”。

　　GeoDa最新发布的版本号是1.14。最新版本包括了许多 新的作用，例如：单自变量和多自变量的部分Geary聚类分析，集成化了经典的（非空间）聚类分析方式（PCA，K-Means,Hierarchical聚类算法--详尽请参照Hoon et al's 2013 "C Clustering Library"）。另外GeoDa也适用大量的空间数据类型，适用时光（space-time)数据信息，适用包含Nokia和Carto出示的背景图(Basemap)显示信息，平均值较为数据图表(averages charts)，散点图引流矩阵(scatter plot matrices)，非主要参数的空间自相关图(nonparametric spatial autocorrelation--correlogram)，及其灵便的数据标准化方式(flexible data categorization)。

软件亮点

　　GeoDa适用大量的空间数据类型

　　导入GDAL软件库后，GeoDa现阶段能够适用多种多样矢量素材数据类型，包含：ESRI Shapefile、ESRI geodatabase、GeoJson、MapInfo、GML、KML等。另外GeoDa也可以从表格数据(如：.csv、.dbf、.xls、.ds)中根据制订座标数据信息（X，Y或是地理坐标）来建立点空间数据信息。

　　根据互相关系的地图和数据图表探索统计分析結果

　　与将初始大数据可视化为地图的程序流程不一样，GeoDa致力于根据连接的地图和数据图表探索统计分析检测和实体模型的結果。

　　时光运作模式

　　您现在可以在新的時间在线编辑器中对同一自变量开展跨时间范围的排序，以探索跨时光的统计分析方式。随后用時间播放软件探索伴随着時间变化而变化的主视图的結果。

　　加上包含Nokia和CartoDB出示的背景图(Basemap)

　　假如你的空间数据信息是投射(.prj文档)，你如今能够在一切地图主视图中加上一个基图，包含聚类算法图，以得到 更强的精准定位和路面评测結果。

　　时光数据信息的平均值较为

　　一个新的平均值数据图表较为在時间和/或空间上的平均值，并检测这种平均值的差别是不是明显。比如，最先挑选是不是要较为同一时间范围内选中的观测值与未选中的观测值的均值，或是较为不一样时间范围的全部观测值。随后，一个基础的前-后/危害-操纵检测说明你的結果是不是在時间和空间上发生了变化（应用F检验和差别检测）。

　　检验多元化空间关联

　　根据散点图引流矩阵，能够另外探索好几个二变量的相关分析。在这个事例中，大家展现了旧金山市选中的、未选中的和全部警员大队的重归切线斜率，以探索四种违法犯罪种类中间的关联。

　　检验随時间的变化在空间上集聚

　　应用全局性或部分差分信号Moran's I检测来找到一个自变量在特殊地址的变化是不是与邻近地区的变化有统计学上的关联。比如，这一部分（LISA）聚类算法图显示信息了二零零二年至2008年期内纽约市的热点地区的少年儿童占比变化很大（而冷点的变化较小）。

　　单/多自变量的空间聚类分析

　　Luc Anselin（2017）近期用一个新的空间关系的部分指标值对Geary的c开展了拓展。这被运用到荷兰 "社会道德统计分析 "的经典数据（Guerry，1833）中，显示信息出识字率的明显高矮空间市场集中度（左图）和资产违法犯罪与识字率的明显关系（下图）。

　　集成化经典的数据信息聚类方法剖析空间数据信息

　　如今，你能用几类经典的非空间聚类算法技术性绘图方式，包含主成分分析法（左图）、k-means（右上图）和层次聚类（右下面的图）。应用与上例中同样的数据信息，下边的地图显示信息了资产违法犯罪、识字率的部分聚类算法。

　　检验空间关联性界限阀值

　　非主要参数空间自相关检测（corlogram）现在可以用于明确邻近对的值已不有关时的间距阀值。

　　探索多种多样空间数据标准化

　　根据新的类型在线编辑器，您能够探索您的結果对归类数据信息的阀值变化的敏感性。在这个事例中，标准图（右）中的阀值是根据能够在类型在线编辑器（左）中调节的类型。