| Beschriftung | Erläuterung | Datentyp |
Eingabe-Punkt-Features | Die Eingabe-Punkt-Features, die zum Erstellen der Cluster, Linien oder Polygone verwendet werden. | Feature Layer |
Ausgabe-Feature-Class | Die Ausgabe-Feature-Class. Wenn der Parameter Aggregationsmethode auf Cluster festgelegt ist, handelt es sich bei der Ausgabe um eine Point-Feature-Class. Wenn der Parameter Aggregationsmethode auf Nächstgelegenes Feature festgelegt ist, entspricht der Geometrietyp der Ausgabe dem Parameterwert von Eingabe-Vergleichs-Features. | Feature Class |
Cluster-Toleranz (optional) | Die maximale Entfernung zwischen den Punkten, bis zu der sie als Teil desselben Clusters betrachtet werden. Wenn keine Cluster-Toleranz angegeben ist, erstellt das Werkzeug an Stellen, wo sich Punkt-Features überlappen, ein Cluster. Dieser Parameter ist erforderlich, wenn für den Parameter Aggregationsmethode die Option Cluster festgelegt wurde. | Linear Unit |
Ausgabefelder (optional) | Die Felder der Eingabe-Features, die in die Ausgabe übertragen werden. | Field |
Aggregationsmethode (optional) | Gibt an, wie die Eingabe-Punkt-Features aggregiert werden.
| String |
Eingabe-Vergleichs-Features (optional) | Die Eingabe-Feature-Class der Vergleichslinien oder -polygone, mit denen der Parameterwert von Eingabe-Punkt-Features aggregiert wird. Dieser Parameter ist aktiv, wenn für den Parameter Aggregationsmethode die Option Nächstgelegenes Feature festgelegt wurde. | Feature Layer |
Zusammenfassung
Führt eine 80/20-Analyse von Features durch und erstellt basierend auf der Anzahl von verknüpften Ereignissen Punkt-Cluster, Linien oder Polygone. Das Werkzeug berechnet das Feld "Kumulativer Prozentsatz", um die Orte zu identifizieren, die eine überproportional hohe Anzahl von Ereignissen aufweisen.
Verwendung
Die 80/20-Regel ist ein theoretisches Konzept für Szenarien, in denen die überwiegende Mehrheit der Ereignisse an einer geringen Anzahl von Orten auftritt, z. B. wenn 80 Prozent der Ereignisse an 20 Prozent der Orte auftreten.
Im Bereich der Kriminalitätsanalyse kann dieses Werkzeug auf vielfältige Weise eingesetzt werden. Zu den gängigen Analyse-Workflows zählen unter anderem:
- Aggregieren von Ereignissen in Cluster: Diese Art von Analyse identifiziert die Grundstücke mit der höchsten Anzahl von Ereignissen in einem bestimmten Zeitraum.
- Aggregieren von Ereignissen in Straßenabschnitten: Diese Art der Analyse wird auch als Suchen von Hot-Spot-Straßen bezeichnet.
- Aggregieren von Ereignissen in bestimmten Wohngebietsgrenzen: Diese Art der Analyse wird auch als Suchen von Hot-Spot-Gebieten bezeichnet.
Mit dem Parameter Aggregationsmethode wird bestimmt, wie die 80/20-Analyse durchgeführt wird und wie die Eingabe-Punkt-Features aggregiert werden. Zur Durchführung von Analysen sind die beiden Methoden Cluster und Nächstgelegenes Feature verfügbar, die nachfolgend beschrieben sind:
- Cluster: Die Eingabe-Punkt-Features werden basierend auf der Cluster-Bildungsmethode Definierte Entfernung (DBSCAN) des Werkzeugs Dichte-basierte Cluster-Bildung geclustert.
- Nächstgelegenes Feature: Die Eingabe-Punkt-Features werden mit dem nächstgelegenen Eingabe-Vergleichs-Linien- oder -Polygon-Feature verknüpft.
Die folgenden Felder werden der Ausgabe hinzugefügt, wenn der Parameter Aggregationsmethode auf Cluster festgelegt ist:
- ICOUNT: Die Anzahl der Punkte, die innerhalb der Cluster-Toleranz für diesen Cluster gefunden werden.
- PERC: Der Prozentsatz der Gesamtzahl von Punkten, die innerhalb der Cluster-Toleranz für diesen Cluster gefunden werden.
- CUMU_PERC: Der kumulative Prozentsatz des aktuellen Cluster-Punkts und aller anderen größeren Cluster-Punkte, berechnet mit dem Wert ICOUNT.
- CUMU_LPERC: Der kumulative Prozentsatz des aktuellen Cluster-Punkts und aller anderen größeren Cluster-Punkte, berechnet mit der Gesamtzahl der Ausgabe-Punkt-Feature.
Mit den Werten CUMU_PERC und CUMU_LPERC kann bestimmt werden, ob eine unverhältnismäßig geringe Anzahl an Cluster-Orten einen großen Anteil an Straftaten repräsentiert. Beispiel: 20 Prozent der Cluster-Orte enthalten 80 Prozent der Gesamtpunkte.
Die folgenden Felder werden der Ausgabe hinzugefügt, wenn der Parameter Aggregationsmethode auf Nächstgelegenes Feature festgelegt ist:
- ICOUNT: Die Anzahl der Punkte, die den Linien- oder Polygon-Features am nächsten liegen.
- PERC: Aus der Gesamtzahl von Punkten der Prozentsatz von Punkten, die in der Nähe oder innerhalb der Linien- oder Polygon-Features gefunden werden.
- CUMU_PERC: Der kumulative Prozentsatz des aktuellen Features und aller anderen Features mit einer größeren Anzahl, berechnet mit dem Wert ICOUNT.
- CUMU_LPERC: Der kumulative Prozentsatz des aktuellen Features und aller anderen Features mit einer größeren Anzahl, berechnet mit der Gesamtzahl der Ausgabe-Linien- oder -Polygon-Features.
- INC_KM: Die Anzahl von Features pro Kilometer. Das Feld wird der Ausgabe hinzugefügt, wenn es sich bei den Eingabe-Vergleichs-Features um Linien handelt.
- INC_MI: Die Anzahl der Features pro Meile. Das Feld wird der Ausgabe hinzugefügt, wenn es sich bei den Eingabe-Vergleichs-Features um Linien handelt.
- INC_SQKM: Die Anzahl von Features pro Quadratkilometer. Das Feld wird der Ausgabe hinzugefügt, wenn es sich bei den Eingabe-Vergleichs-Features um Polygone handelt.
- INC_SQMI: Die Anzahl von Features pro Quadratmeile. Das Feld wird der Ausgabe hinzugefügt, wenn es sich bei den Eingabe-Vergleichs-Features um Polygone handelt.
Mit den Werten CUMU_PERC und CUMU_LPERC kann bestimmt werden, ob eine unverhältnismäßig geringe Anzahl an Linien- oder Polygon-Features einen großen Anteil an Straftaten repräsentiert. Beispiel: 20 Prozent der Linien- oder Polygon-Feature-Positionen enthalten 80 Prozent aller Punkte.
Die Datensätze in der Ausgabe werden basierend auf den generierten Feldwerten für ICOUNT (Ereignisanzahl), CUMU_PERC (kumulativer Prozentsatz), PERC (Prozentsatz der Ereignisse) und CUMU_LPERC (kumulativer Prozentsatz der Orte) sortiert.
Die Ausgabe-Feature-Class wird durch das Feld ICOUNT symbolisiert.
Die Symbolisierung der Ausgabe-Point-Feature-Class erfolgt durch einen Layer mit abgestuften Symbolen, der auf der Anzahl der Ereignisse an jedem Ort basiert.
Parameter
arcpy.ca.EightyTwentyAnalysis(in_features, out_feature_class, {cluster_tolerance}, {out_fields}, {aggregation_method}, {in_comparison_features})| Name | Erläuterung | Datentyp |
in_features | Die Eingabe-Punkt-Features, die zum Erstellen der Cluster, Linien oder Polygone verwendet werden. | Feature Layer |
out_feature_class | Die Ausgabe-Feature-Class. Wenn der Parameter aggregation_method auf POINT_CLUSTER festgelegt ist, handelt es sich bei der Ausgabe um eine Point-Feature-Class. Wenn der Parameter aggregation_method auf CLOSEST_FEATURE festgelegt ist, entspricht der Geometrietyp der Ausgabe dem Parameterwert von in_comparison_features. | Feature Class |
cluster_tolerance (optional) | Die maximale Entfernung zwischen den Punkten, bis zu der sie als Teil desselben Clusters betrachtet werden. Wenn keine Cluster-Toleranz angegeben ist, erstellt das Werkzeug an Stellen, wo sich Punkt-Features überlappen, ein Cluster. Dieser Parameter wird aktiviert, wenn der Parameter aggregation_method auf POINT_CLUSTER gesetzt ist. | Linear Unit |
out_fields [out_fields,...] (optional) | Die Felder der Eingabe-Features, die in die Ausgabe übertragen werden. | Field |
aggregation_method (optional) | Gibt an, wie die Eingabe-Punkt-Features aggregiert werden.
| String |
in_comparison_features (optional) | Die Eingabe-Feature-Class der Vergleichslinien oder -polygone, mit denen der Parameterwert von in_features aggregiert wird. Dieser Parameter wird aktiviert, wenn der Parameter aggregation_method auf CLOSEST_FEATURE gesetzt ist. | Feature Layer |
Codebeispiel
Das folgende Skript für das Python-Fenster veranschaulicht, wie die Funktion EightyTwentyAnalysis im unmittelbaren Modus verwendet wird.
import arcpy
arcpy.env.workspace = r"C:/data/city_pd.gdb"
arcpy.ca.EightyTwentyAnalysis("CallsForService", "80_20_clusters")Das folgende Python-Skript veranschaulicht die Verwendung der Funktion EightyTwentyAnalysis in einem eigenständigen Skript.
# Name: EightyTwentyAnalysis.py
# Description: Conducts an 80/20 analysis of 911 calls to determine clusters of calls within 50 meters of each other.
# import system modules
import arcpy
# Set environment settings
arcpy.env.workspace = r"C:\data\city_pd.gdb"
# Set local variables
in_features = "CallsForService"
out_feature_class = "80_20_clusters"
cluster_tolerance = "50 Meters"
out_fields = ["FULLADDR","RESCITY", "RESSTATE", "RESZIP5"]
# Run EightyTwentyAnalysis
arcpy.ca.EightyTwentyAnalysis(in_features,
out_feature_class,
cluster_tolerance,
out_fields)Das folgende Python-Skript veranschaulicht, wie die Funktion EightyTwentyAnalysis in einem eigenständigen Python-Skript verwendet wird, um Straßenabschnitte mit einer unverhältnismäßig hohen Anzahl an Straftaten in der Nähe zu ermitteln. Im Bereich der Kriminalitätsanalyse wird diese Art der Analyse auch als Suchen von Hot-Spot-Straßen bezeichnet.
# Name: EightyTwentyAnalysisStreets.py
# Description: Conduct an 80/20 analysis of calls for service to determine street segments with a disproportional amount of crimes nearby.
# import system modules
import arcpy
# Set environment settings
arcpy.env.workspace = r"C:\data\city_pd.gdb"
# Set local variables
in_features = "CallsForService"
out_feature_class = "80_20_streets"
comp_features = "city_centerlines"
out_fields = ["STREET_NAME", "L_ADDR_NUM", "R_ADDR_NUM"]
# Run Eighty Twenty Analysis
arpcy.ca.EightyTwentyAnalysis(in_features,
out_feature_class,
in_comparison_features=comp_features,
out_fields=out_fields)Umgebungen
Lizenzinformationen
- Basic: Ja
- Standard: Ja
- Advanced: Ja