名称
ST_ClusterKMeans — 使用 K-均值算法为每个输入几何图形返回聚类 ID 的窗口函数。
概要
integer ST_ClusterKMeans(geometry winset geom, integer number_of_clusters, float max_radius);
描述
为每个输入几何图形返回 K-均值 聚类编号。用于聚类的距离是 2D 几何图形的质心之间的距离，以及 3D 几何图形的边界框中心之间的距离。对于 POINT 输入，M 坐标将被视为输入的权重，并且必须大于 0。
如果设置了 max_radius，则 ST_ClusterKMeans 将生成比 k 更多的聚类，以确保输出中没有聚类的半径大于 max_radius。这在可达性分析中非常有用。
增强功能：3.2.0 支持 max_radius
增强功能：3.1.0 支持 3D 几何图形和权重
可用性：2.3.0
示例
为示例生成虚拟地块集合
CREATE TABLE parcels AS
SELECT lpad((row_number() over())::text,3,'0') As parcel_id, geom,
('{residential, commercial}'::text[])[1 + mod(row_number()OVER(),2)] As type
FROM
ST_Subdivide(ST_Buffer('SRID=3857;LINESTRING(40 100, 98 100, 100 150, 60 90)'::geometry,
40, 'endcap=square'),12) As geom;
按聚类编号 (cid) 颜色编码的地块
SELECT ST_ClusterKMeans(geom, 3) OVER() AS cid, parcel_id, geom
FROM parcels;
cid | parcel_id | geom -----+-----------+--------------- 0 | 001 | 0103000000... 0 | 002 | 0103000000... 1 | 003 | 0103000000... 0 | 004 | 0103000000... 1 | 005 | 0103000000... 2 | 006 | 0103000000... 2 | 007 | 0103000000...
按类型划分地块聚类
SELECT ST_ClusterKMeans(geom, 3) over (PARTITION BY type) AS cid, parcel_id, type
FROM parcels;
cid | parcel_id | type -----+-----------+------------- 1 | 005 | commercial 1 | 003 | commercial 2 | 007 | commercial 0 | 001 | commercial 1 | 004 | residential 0 | 002 | residential 2 | 006 | residential
示例：使用 3D 聚类和加权来聚类预聚合的行星级数据人口数据集。基于 Kontur 人口数据 识别至少 20 个中心之间不超过 3000 公里的区域
create table kontur_population_3000km_clusters as
select
geom,
ST_ClusterKMeans(
ST_Force4D(
ST_Transform(ST_Force3D(geom), 4978), -- cluster in 3D XYZ CRS
mvalue => population -- set clustering to be weighed by population
),
20, -- aim to generate at least 20 clusters
max_radius => 3000000 -- but generate more to make each under 3000 km radius
) over () as cid
from
kontur_population;
根据上述规格聚类的世界人口产生 46 个聚类。聚类中心位于人口稠密的地区（纽约、莫斯科）。格陵兰岛是一个聚类。有一些跨越反子午线的岛屿聚类。聚类边缘遵循地球的曲率。