GeoDa

GeoDa是一款简单易用的Windows空间数据统计分析软件。GeoDa官方版运用探索和建模空间模式为用户提供了全新的空间数据分析视角，向客户给予了全新升级的室内空间数据统计分析角度。GeoDa最新版提供了友好的用户界面以及丰富的用于探索性空间数据分析(ESDA)的方法，比如空间自相关统计(spatial autocorrelation statistics)和基本的空间回归分析(spatial regression analysis)。

GeoDa软件简介

      GeoDa最新发布的版本是1.14。新版本包含了很多新的功能，比如：单变量和多变量的局部Geary聚类分析，集成了经典的(非空间)聚类分析方法(PCA，K-Means,Hierarchical聚类--详细请参考Hoon et al's 2013 "C Clustering Library")。同时GeoDa也支持更多的空间数据格式，支持时空(space-time)数据，支持包括Nokia和Carto提供的底图(Basemap)显示，均值比较图表(averages charts)，散点图矩阵(scatter plot matrices)，非参数的空间自相关图(nonparametric spatial autocorrelation--correlogram)，以及灵活的数据分类方法(flexible data categorization)。

      GeoDa是由 Luc Anselin 博士和其团队开发的. 该程序提供了友好的用户界面以及丰富的用于探索性空间数据分析(ESDA)的方法，比如空间自相关统计(spatial autocorrelation statistics)和基本的空间回归分析(spatial regression analysis)。

      GeoDa是一个免费、开源的空间数据分析软件。 通过探索和建模空间模式，GeoDa向用户提供了全新的空间数据分析视角。

      从2003年2月GeoDa发布第一个版本以来， GeoDa的用户数量 成倍的增长。截止2017年6月，GeoDa的用户数量已经超过了20万。 包括哈佛，麻省理工、康奈尔等著名大学都在实验室中安装并使用GeoDa软件。GeoDa软件得到了用户和媒体广泛的好评，被称之为“一个非常重要的分析工具”，“一款制作精良的软件”，有着“激动人心的进展”。

GeoDa功能介绍

      1.根据互相关系的地形图和数据图表探寻统计分析结果

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

      2.加上包含Nokia和CartoDB给予的背景图(Basemap)

      假如你的空间信息是投射(.prj文档)，你如今能够 在一切地形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结果。

      3.检验多元化室内空间关联

      根据散点图引流矩阵，能够 与此同时探寻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，以探寻四种违法犯罪种类中间的关联。

      4.单/多自变量的室内空间聚类

      Luc Anselin(2017)近期用一个新的室内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，表明出识字率的明显多少室内空间市场集中度(下左图)和资产违法犯罪与识字率的明显关系(下图)。

      5.检验室内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不会再有关时的间距阀值。

      6.GeoDa适用大量的室内空间数据类型

      引进GDALpc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。与此同时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)来建立点空间信息。

      7.时光运作模式

      您现在可以在新的时间在线编辑器中对同一自变量开展跨时间范围的排序，以探寻跨时光的统计分析方式。随后用时间播放软件探寻伴随着时间转变而转变的主视图的结果。

      8.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时间和/或室内空间上的平均值，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，一个基本上的前-后/危害-操纵检测说明你的结果是不是在时间和空间上发生了转变(应用F检验和差别检测)。

      9.检验随时间的转变在室内空间上集聚

      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转变是不是与邻近地区的转变有应用统计学上的关联。比如，这一部分(LISA)聚类算法图表明了2002年至2008年期内纽约市的热点地区的少年儿童占比转变很大(而凉点的转变较小)。

      10.探寻多种多样空间信息归类

      根据新的类型在线编辑器，您能够 探寻您的结果对归类数据信息的阀值转变的敏感性。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。

      11.集成化经典的数据信息聚类方法剖析空间信息

      如今，你能用几类经典的非室内空间聚类算法技术性制作方式，包含主成分分析法(下左图)、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，下边的地形图表明了资产违法犯罪、识字率的部分聚类算法。

GeoDa更新日志

      1：全新界面，清爽，简单，高效

      2：性能越来越好