Análisis de colocación (Estadística espacial)

Resumen

Mide patrones locales de asociación espacial, o colocación, entre dos categorías de entidades de puntos con la estadística de cociente de colocación.

Más información sobre cómo funciona Análisis de colocación

Ilustración

Uso

• Esta herramienta solo acepta entidades de puntos. Las categorías que desea analizar se pueden encontrar en el mismo dataset o en dos separados. También puede utilizar dos datasets separados para considerarlos categorías. Por ejemplo, es posible que tenga un dataset de puntos con diversos tipos de restaurantes que solo se considerará de la categoría RESTAURANTES y otro dataset de puntos con varios tipos de delitos que solo se considerará de la categoría DELITOS.

• Para cada entidad de la Categoría de interés, la herramienta determinará si las entidades de la Categoría vecina están más o menos presentes en su vecindad en comparación con la distribución espacial general de las categorías. Por ejemplo, para cada entidad de categoría A, un valor resultante de cociente de colocación local (LCLQ) de 1 significa que es tan probable que tenga la categoría B como vecino como cabe esperar. Un valor LCLQ mayor que 1 significa que tiene mayor probabilidad (que lo aleatorio) de tener B como vecino, y un valor LCLQ menor que 1 significa que la entidad de categoría A tiene menor probabilidad de tener un punto de categoría B como vecino (que una distribución aleatoria).

  Nota:

  La relación de colocación de este análisis no es simétrica. Los valores de cociente de colocación calculados al comparar la categoría A con la categoría B serán distintos de los valores de cociente de colocación calculados al comparar la categoría B con la A.

  Además, si cuenta con la categoría C en su vecindad, los cocientes de colocación resultantes no serán los mismo que si solo tenía las categorías A y B. En función de lo que pregunte, puede que sea importante crear un subconjunto de los datos para incluir solo las categorías A y B. Sin embargo, al crear un subconjunto, pierde información sobre el resto de categorías presentes. Seleccionar y crear un subconjunto de los datos es importante si sabe con certeza que la ocurrencia de una categoría no se ve afectada en absoluto por la ocurrencia de otra.

• Las relaciones espaciales se pueden definir con una Banda de distancia, K vecinos más cercanos, o bien un archivo de matriz de ponderaciones espaciales mediante el parámetro Tipo de vecindad.

• Puede analizar sus datos con ventanas de espacio-tiempo si especifica los parámetros Campo de tiempo de interés, Campo de tiempo de categorías vecinas y Tipo de relación temporal. Gracias a las ventanas de espacio-tiempo puede controlar las entidades que se incluyen en la vecindad analizada. Las entidades que están cercanas en el espacio y el tiempo se analizarán juntas, ya que todas las relaciones entre entidades se evalúan respecto a la ubicación y la marca de tiempo de la entidad de destino. También puede especificar si la herramienta busca entidades antes o después de la entidad de destino, o también puede crear un periodo de tiempo durante el cual la herramienta buscará entidades antes y después de la entidad de destino que se analiza.

• El parámetro Número de permutaciones se utiliza para calcular valores P. Elegir el número de permutaciones es un equilibrio entre la precisión y un mayor tiempo de procesamiento. Mientras que el valor predeterminado de permutaciones es 99, se recomienda que aumente el número para los resultados finales del análisis.

• También se puede calcular un cociente de colocación global especificando una ruta para el parámetro Tabla de salida para relaciones globales. Esta tabla contiene cocientes de colocación, para que pueda analizar las medidas de la asociación espacial entre todas las categorías de su dataset. De esta manera, puede explorar otras relaciones en los datos, puesto que puede encontrar otras categorías firmemente colocadas globalmente. Si, en efecto, encuentra otras categorías firmemente colocadas, puede extender su análisis bien explorando la naturaleza local de esa relación ejecutando de nuevo la herramienta con esas categorías de interés, o bien ejecutando de nuevo la herramienta eliminando esas categorías del análisis si cree que las categorías firmemente colocadas introducen un sesgo innecesario en los resultados.

• La salida de esta herramienta es un mapa que muestra todas las Entidades de entrada de interés simbolizadas en función de si estaban colocadas significativamente o aisladas de las Entidades vecinas de entrada. La herramienta agrega campos a las Entidades de salida incluido el cociente de colocación local calculado, valor P, bin LCLQ utilizado para la simbolización y el tipo de LCLQ. Se puede especificar una Tabla de salida para relaciones globales que indicará los cocientes de colocación globales entre todas las categorías del parámetro Campo de interés y todas las categorías presentes en el parámetro Campo que contiene la categoría vecina.

• Esta herramienta admite el procesamiento en paralelo y utiliza el 50 por ciento de los procesadores disponibles de forma predeterminada. El número de procesadores puede aumentar o disminuir usando el entorno Factor de procesamiento en paralelo.

Parámetros

Cuadro de diálogo

Etiqueta	Explicación	Tipo de datos
Tipo de entrada	Especifica si las Entidades de entrada de interés provendrán del mismo dataset con categorías especificadas, distintos datasets con categorías especificadas o distintos datasets que se considerarán su propia categoría (por ejemplo, un dataset cuyos puntos representan guepardos y un segundo dataset cuyos puntos representan gacelas). Dataset único—Las categorías que se van a analizar existen dentro de un campo en un único dataset. Dos datasets—Las categorías a analizar existen en campos de datasets separados. Datasets sin categorías—Se analizarán dos datasets separados que representan dos categorías.	String
Entidades de entrada de interés	La clase de entidad con puntos con categorías representativas.	Feature Layer
Entidades de salida	La clase de entidad de salida que contiene todas las Entidades de entrada de interés con campos que contienen el cociente de colocación local resultante, bin de simbología y valores P.	Feature Class
Campo de interés (Opcional)	El campo que contiene las categorías a analizar.	Field
Campo de tiempo de interés (Opcional)	Campo de fecha con una marca de tiempo opcional para cada entidad a fin de analizar puntos con una ventana de espacio-tiempo. Las entidades cercanas en el espacio y el tiempo se considerarán vecinas y se analizarán juntas.	Field
Categoría de interés (Opcional)	La categoría base para el análisis. Para cada Categoría de interés, la herramienta identificará el grado de atracción o colocación de la categoría base en relación con la Categoría vecina.	String
Entidades vecinas de entrada (Opcional)	La clase de entidad de entrada que contiene los puntos con las categorías que se compararán.	Feature Layer
Campo con categoría vecina (Opcional)	Campo del parámetro Entidades vecinas de entrada que contiene la categoría que se va a comparar.	Field
Campo de tiempo de las entidades vecinas (Opcional)	Campo de fecha con una marca de tiempo para cada entidad a fin de analizar los puntos con una ventana de espacio-tiempo. Las entidades cercanas en el espacio y el tiempo se considerarán vecinas y se analizarán juntas.	Field
Categoría vecina (Opcional)	La categoría vecina para el análisis. La herramienta identificará el grado de atracción o aislamiento de la Categoría de interés en relación con la Categoría vecina.	String
Tipo de vecindad	Especifica cómo se definen las relaciones espaciales entre las entidades. Banda de distancia—Cada entidad se analizará dentro del contexto de las entidades vecinas. Las entidades vecinas que se encuentran dentro de la distancia crítica especificada que define el parámetro Banda de distancia recibirán un peso de 1 e influyen en los cálculos de la entidad de destino. Las entidades vecinas fuera de la distancia crítica reciben un peso de cero y no tienen influencia sobre los cálculos de una entidad de destino. K vecinos más próximos—Las entidades k más cercanas se incluirán en el análisis como vecinas. El parámetro Cantidad de vecinos especifica la cantidad de vecinos. Esta es la opción predeterminada. Obtener ponderaciones espaciales a partir del archivo—Cuando se utilice Dataset único como Tipo de entrada, las relaciones espaciales se definirán según un archivo de matriz de ponderaciones espaciales especificado. La ruta al archivo de ponderaciones espaciales se especifica mediante el parámetro Archivo de matriz de ponderaciones.	String
Cantidad de vecinos (Opcional)	El número de vecinos alrededor de cada entidad que se utilizará para probar relaciones locales entre categorías. Si no se proporciona ningún valor, se utiliza el valor predeterminado de 8 segundos. El valor proporcionado debe ser lo suficientemente alto como para detectar las relaciones entre entidades, pero lo suficientemente bajo como para seguir identificando patrones locales.	Long
Banda de distancia (Opcional)	El tamaño de vecindario es una distancia fija o constante para cada entidad. Todas las entidades dentro de esta distancia se utilizarán para probar relaciones locales entre categorías. Si no se proporciona ningún valor, la distancia utilizada será la distancia media en la que cada entidad tenga al menos ocho vecinos.	Linear Unit
Archivo de matriz de ponderaciones (Opcional)	La ruta a un archivo que contenga los pesos que definen las relaciones espaciales, y potencialmente temporales entre las entidades.	File
Tipo de relación temporal (Opcional)	Especifica cómo se definirán las relaciones temporales entre las entidades. Antes de—La ventana de tiempo retrocederá en el tiempo para cada valor de Entidad de entrada de interés. Las entidades vecinas deben tener una marca de fecha/hora anterior a la marca de fecha/hora de la entidad de interés para incluirlas en el análisis. Esta es la opción predeterminada. Después—La ventana de tiempo avanzará en el tiempo para cada valor de Entidad de entrada de interés. Las entidades vecinas deben tener una marca de fecha/hora posterior a la marca de fecha/hora de la entidad de interés para incluirlas en el análisis. Intervalo—La ventana de tiempo avanzará y retrocederá en el tiempo para cada valor de Entidad de entrada de interés. Las entidades vecinas que tienen una marca de fecha/hora dentro del valor de Intervalo de periodo de tiempo antes o después de la marca de fecha/hora de la entidad de interés se incluirán en el análisis. Por ejemplo, si el parámetro Intervalo de periodo de tiempo se define como 1 semana, la ventana se visualizará 1 semana antes y 1 semana después de la entidad de destino.	String
Intervalo de periodo de tiempo (Opcional)	Un entero y una unidad de medida que representa el número de unidades de tiempo que componen la ventana de tiempo.	Time Unit
Número de permutaciones (Opcional)	Número de permutaciones que se utilizará para crear una distribución de referencia. Elegir el número de permutaciones es un equilibrio entre la precisión y un mayor tiempo de procesamiento. Elija su preferencia de velocidad frente a precisión. Los resultados más sólidos y precisos tardan más en calcularse. 99—El análisis utilizará 99 permutaciones. Con 99 permutaciones, el pseudo valor P más pequeño posible es 0,02 y los demás pseudo valores P serán múltiplos de este valor. Esta es la opción predeterminada. 199—El análisis utilizará 199 permutaciones. Con 199 permutaciones, el pseudo valor P más pequeño posible es 0,01 y los demás pseudo valores p serán múltiplos pares de este valor. 499—El análisis utilizará 499 permutaciones. Con 499 permutaciones, el pseudo valor p más pequeño posible es 0,004 y los demás pseudo valores p serán múltiplos pares de este valor. 999—El análisis utilizará 999 permutaciones. Con 999 permutaciones, el pseudo valor p más pequeño posible es 0,002 y los demás pseudo valores p serán múltiplos pares de este valor. 9999—El análisis utilizará 9.999 permutaciones. Con 9.999 permutaciones, el pseudo valor p más pequeño posible es 0,0002 y los demás pseudo valores p serán múltiplos pares de este valor.	Long
Esquema de ponderación local (Opcional)	Especifica el tipo kernel que se usará para proporcionar la ponderación espacial. El kernel define cómo se relacionan las entidades entre sí dentro de su vecindad. Bicuadrado—Las entidades se ponderarán en función de la distancia al vecino más lejano o al borde de la banda de distancia, y se asignará una ponderación de 0 a todas las entidades que se encuentren fuera de la vecindad especificada. Gaussiano—Las entidades se ponderarán en función de la distancia al vecino más lejano o al borde de la banda de distancia, pero caerán con más rapidez que la opción Bicuadrado. Se asigna una ponderación de 0 a todas las entidades que se encuentren fuera de la vecindad especificada. Esta es la opción predeterminada. Nada—No se aplicará ningún esquema de ponderación y todas las entidades dentro de la vecindad recibirán una ponderación de 1 y contribuirán de la misma manera. Todas las entidades fuera de la vecindad recibirán una ponderación de 0.	String
Tabla de salida para relaciones globales (Opcional)	Tabla que incluye los cocientes de colocación globales entre todas las categorías del parámetro Campo de interés y todas las categorías del parámetro Campo que contiene la categoría vecina. Esta tabla puede ayudarle a determinar las categorías locales que se van a analizar. Si se utilizan Datasets sin categorías como valor del parámetro Tipo de entrada, se calcularán cocientes de colocación globales para cada dataset y entre cada dataset.	Table

Python

arcpy.stats.ColocationAnalysis(input_type, in_features_of_interest, output_features, {field_of_interest}, {time_field_of_interest}, {category_of_interest}, {input_feature_for_comparison}, {field_for_comparison}, {time_field_for_comparison}, {category_for_comparison}, neighborhood_type, {number_of_neighbors}, {distance_band}, {weights_matrix_file}, {temporal_relationship_type}, {time_step_interval}, {number_of_permutations}, {local_weighting_scheme}, {output_table})

Nombre	Explicación	Tipo de datos
input_type	Especifica si los valores del parámetro in_features_of_interest provendrán del mismo dataset con categorías especificadas, distintos datasets con categorías especificadas o distintos datasets que se considerarán su propia categoría (por ejemplo, un dataset cuyos puntos representan guepardos y un segundo dataset cuyos puntos representan gacelas). SINGLE_DATASET—Las categorías que se van a analizar existen dentro de un campo en un único dataset. TWO_DATASETS—Las categorías a analizar existen en campos de datasets separados. DATASETS_WITHOUT_CATEGORIES—Se analizarán dos datasets separados que representan dos categorías.	String
in_features_of_interest	La clase de entidad con puntos con categorías representativas.	Feature Layer
output_features	La clase de entidad de salida que contiene todos los valores del parámetro in_features con campos que representan la puntuación del cociente de colocación local y valores P.	Feature Class
field_of_interest (Opcional)	El campo que contiene las categorías a analizar.	Field
time_field_of_interest (Opcional)	Campo de fecha con una marca de tiempo opcional para cada entidad a fin de analizar puntos con una ventana de espacio-tiempo. Las entidades cercanas en el espacio y el tiempo se considerarán vecinas y se analizarán juntas.	Field
category_of_interest (Opcional)	La categoría base para el análisis. Para cada valor de category_of_interest, la herramienta identificará el grado de atracción o colocación de la categoría base en relación con el valor del parámetro neighboring_category.	String
input_feature_for_comparison (Opcional)	La clase de entidad de entrada que contiene los puntos con las categorías que se compararán.	Feature Layer
field_for_comparison (Opcional)	Campo del parámetro input_feature_for_comparison que contiene la categoría que se va a comparar.	Field
time_field_for_comparison (Opcional)	Campo de fecha con una marca de tiempo para cada entidad a fin de analizar los puntos con una ventana de espacio-tiempo. Las entidades cercanas en el espacio y el tiempo se considerarán vecinas y se analizarán juntas.	Field
category_for_comparison (Opcional)	La categoría vecina para el análisis. La herramienta identificará el grado de atracción o aislamiento del valor del parámetro category_of_interest en relación con el valor de category_for_comparison.	String
neighborhood_type	Especifica cómo se definirán las relaciones espaciales entre las entidades. DISTANCE_BAND—Cada entidad se analizará dentro del contexto de las entidades vecinas. Las entidades vecinas que se encuentran dentro de la distancia crítica especificada que define el parámetro distance_band recibirán un peso de 1 e influyen en los cálculos de la entidad de destino. Las entidades vecinas fuera de la distancia crítica reciben un peso de cero y no tienen influencia sobre los cálculos de una entidad de destino. K_NEAREST_NEIGHBORS—Las entidades k más cercanas se incluirán en el análisis como vecinas. El parámetro number_of_neighbors especifica la cantidad de vecinos. La influencia del vecino en el análisis se pondera en función de la distancia al vecino más lejano. Esta es la opción predeterminada. GET_SPATIAL_WEIGHTS_FROM_FILE—Cuando se utilice SINGLE_DATASET como input_type, las relaciones espaciales se definirán según un archivo de matriz de ponderaciones espaciales especificado. La influencia del vecino en el análisis se pondera en función de la distancia al vecino más lejano. La ruta del archivo de ponderaciones espaciales se especifica mediante el parámetro weights_matrix_file.	String
number_of_neighbors (Opcional)	El número de vecinos alrededor de cada entidad que se utilizará para probar relaciones locales entre categorías. Si no se proporciona ningún valor, se utiliza el valor predeterminado de 8 segundos. El valor proporcionado debe ser lo suficientemente alto como para detectar las relaciones entre entidades, pero lo suficientemente bajo como para seguir identificando patrones locales.	Long
distance_band (Opcional)	El tamaño de vecindario es una distancia fija o constante para cada entidad. Todas las entidades dentro de esta distancia se utilizarán para probar relaciones locales entre categorías. Si no se proporciona ningún valor, la distancia utilizada será la distancia media en la que cada entidad tenga al menos ocho vecinos.	Linear Unit
weights_matrix_file (Opcional)	La ruta a un archivo que contenga los pesos que definen las relaciones espaciales, y potencialmente temporales entre las entidades.	File
temporal_relationship_type (Opcional)	Especifica cómo se definirán las relaciones temporales entre las entidades. BEFORE—La ventana de tiempo retrocederá en el tiempo para cada valor de in_features_of_interest. Las entidades vecinas deben tener una marca de fecha/hora anterior a la marca de fecha/hora de la entidad de interés para incluirlas en el análisis. Esta es la opción predeterminada. AFTER—La ventana de tiempo avanzará en el tiempo para cada valor de in_features_of_interest. Las entidades vecinas deben tener una marca de fecha/hora posterior a la marca de fecha/hora de la entidad de interés para incluirlas en el análisis. SPAN—La ventana de tiempo avanzará y retrocederá en el tiempo para cada valor de in_features_of_interest. Las entidades vecinas que tienen una marca de fecha/hora dentro del valor de time_step_interval antes o después de la marca de fecha/hora de la entidad de interés se incluirán en el análisis. Por ejemplo, si el parámetro time_step_interval se define como 1 semana, la ventana se visualizará 1 semana antes y 1 semana después de la entidad de destino.	String
time_step_interval (Opcional)	Un entero y una unidad de medida que representa el número de unidades de tiempo que componen la ventana de tiempo.	Time Unit
number_of_permutations (Opcional)	Número de permutaciones que se utilizará para crear una distribución de referencia. Elegir el número de permutaciones es un equilibrio entre la precisión y un mayor tiempo de procesamiento. Elija su preferencia de velocidad frente a precisión. Los resultados más sólidos y precisos tardan más en calcularse. 99—El análisis utilizará 99 permutaciones. Con 99 permutaciones, el pseudo valor P más pequeño posible es 0,02 y los demás pseudo valores P serán múltiplos de este valor. Esta es la opción predeterminada. 199—El análisis utilizará 199 permutaciones. Con 199 permutaciones, el pseudo valor P más pequeño posible es 0,01 y los demás pseudo valores p serán múltiplos pares de este valor. 499—El análisis utilizará 499 permutaciones. Con 499 permutaciones, el pseudo valor p más pequeño posible es 0,004 y los demás pseudo valores p serán múltiplos pares de este valor. 999—El análisis utilizará 999 permutaciones. Con 999 permutaciones, el pseudo valor p más pequeño posible es 0,002 y los demás pseudo valores p serán múltiplos pares de este valor. 9999—El análisis utilizará 9.999 permutaciones. Con 9.999 permutaciones, el pseudo valor p más pequeño posible es 0,0002 y los demás pseudo valores p serán múltiplos pares de este valor.	Long
local_weighting_scheme (Opcional)	Especifica el tipo kernel que se usará para proporcionar la ponderación espacial. El kernel define cómo se relacionan las entidades entre sí dentro de su vecindad. BISQUARE—Las entidades se ponderarán en función de la distancia al vecino más lejano o al borde de la banda de distancia, y se asignará una ponderación de 0 a todas las entidades que se encuentren fuera de la vecindad especificada. GAUSSIAN—Las entidades se ponderarán en función de la distancia al vecino más lejano o al borde de la banda de distancia, pero caerán con más rapidez que la opción Bicuadrado. Se asigna una ponderación de 0 a todas las entidades que se encuentren fuera de la vecindad especificada. Esta es la opción predeterminada. NONE—No se aplicará ningún esquema de ponderación y todas las entidades dentro de la vecindad recibirán una ponderación de 1 y contribuirán de la misma manera. Todas las entidades fuera de la vecindad recibirán una ponderación de 0.	String
output_table (Opcional)	Tabla que incluye los cocientes de colocación globales entre todas las categorías del parámetro Campo de interés y todas las categorías del parámetro Campo que contiene la categoría vecina. Esta tabla puede ayudarle a determinar las categorías locales que se van a analizar. Si se utilizan Datasets sin categorías como valor del parámetro Tipo de entrada, se calcularán cocientes de colocación globales para cada dataset y entre cada dataset.	Table

Muestra de código

Ejemplo 1 de ColocationAnalysis (ventana de Python)

Los siguientes scripts de la ventana de Python muestran cómo utilizar la función ColocationAnalysis.

import arcpy
arcpy.env.workspace = r"C:\Analysis"
# Two categories from the same categorical field.
# Find the colocation of elementary schools and middle schools
arcpy.stats.ColocationAnalysis("SINGLE_DATASET", r"Colocation.gdb\Schools",
                               r"Outputs.gdb\School_Colocation", "Facility_Type", None,
                               "Elementary", None, None, None, "Middle", "K_NEAREST_NEIGHBORS",
                               8, None, None, "BEFORE", None, 99, "BISQUARE",
                               r"Outputs.gdb\Global_School_Colocation")
# Categories from different datasets without categories
# Find the colocation of elementary schools and hospitals
arcpy.stats.ColocationAnalysis("DATASETS_WITHOUT_CATEGORIES", r"Colocation.gdb\Schools",
                               r"Outputs.gdb\Schools_Hospitals", None, None, '',
                               r"Colocation.gdb\Hospitals", None, None, '', "DISTANCE_BAND",
                               None, "30 Kilometers", None, "BEFORE", None, 199, "GAUSSIAN",
                               None)
# Categories from two datasets
# Find the colocation of elementary schools and hospitals
arcpy.stats.ColocationAnalysis("TWO_DATASETS", r"Colocation.gdb\Schools",
                               r"Outputs.gdb\Elementary_Hospitals", "Facility_Type", None,
                               "Elementary", r"Colocation.gdb\Hospitals", None, None, '',
                               "K_NEAREST_NEIGHBORS", 15, None, None, "BEFORE", None, 499,
                               "NONE", None)

Ejemplo 2 de ColocationAnalysis (script independiente)

El siguiente script independiente de Python muestra cómo utilizar la función ColocationAnalysis.

# Analyze the spatial relationship (colocation) between elementary school locations and hospital locations
# Two categories from the same categorical field.
# Find the colocation of elementary schools and  middle schools
intype = "SINGLE_DATASET"
infc_interest = r"Colocation.gdb\Schools"
outfc = r"Outputs.gdb\School_Colocation"
field_interest = "Facility_Type"
time_field = ""
cat_interest = "Elementary"
infc_neigh = ""
field_neigh = ""
time_field_neigh = ""
cat_neigh = "Middle"
neighborhood_type = "K_NEAREST_NEIGHBORS"
num_neighbors = 8
dist_band = ""
swm_file = ""
temporal_type = ""
time_step_interval = ""
num_permutation = 99
weighting_scheme ="BISQUARE"
out_global_tbl = r"Outputs.gdb\Global_School_Colocation"
arcpy.stats.ColocationAnalysis(intype, infc_interest, outfc, field_interest,
                               time_field, cat_interest, infc_neigh, field_neigh,
                               time_field_neigh, cat_neigh, neighborhood_type,
                               num_neighbors, dist_band, swm_file, temporal_type,
                               time_step_interval num_permutation, weighting_scheme,
                               out_global_tbl)
# Categories from different datasets without categories
# Find the colocation of schools and hospitals
intype = "DATASETS_WITHOUT_CATEGORIES"
infc_interest = r"Colocation.gdb\Schools"
outfc = r"Outputs.gdb\Schools_Hospitals"
field_interest = ""
time_field = ""
cat_interest = ""
infc_neigh = r"Colocation.gdb\Hospitals"
field_neigh = ""
time_field_neigh = ""
cat_neigh = ""
neighborhood_type = "DISTANCE_BAND"
num_neighbors = ""
dist_band = "30 Kilometers"
swm_file = ""
temporal_type = ""
time_step_interval = ""
num_permutation = 199
weighting_scheme ="GAUSSIAN"
out_global_tbl = ""
arcpy.stats.ColocationAnalysis(intype, infc_interest, outfc, field_interest,
                               time_field, cat_interest, infc_neigh, field_neigh,
                               time_field_neigh, cat_neigh, neighborhood_type,
                               num_neighbors, dist_band, swm_file, temporal_type,
                               time_step_interval num_permutation, weighting_scheme,
                               out_global_tbl)
# Categories from two datasets
# Find the colocation of elementary schools and hospitals
intype = "TWO_DATASETS"
infc_interest = r"Colocation.gdb\Schools"
outfc = r"Outputs.gdb\Elementary_Hospitals"
field_interest = "Facility_Type"
time_field = ""
cat_interest = "Elementary"
infc_neigh = r"Colocation.gdb\Hospitals"
field_neigh = ""
time_field_neigh = ""
cat_neigh = ""
neighborhood_type = "K_NEAREST_NEIGHBORS"
num_neighbors = 15
dist_band = ""
swm_file = ""
temporal_type = ""
time_step_interval = ""
num_permutation = 499
weighting_scheme ="NONE"
out_global_tbl = ""
arcpy.stats.ColocationAnalysis(intype, infc_interest, outfc, field_interest,
                               time_field, cat_interest, infc_neigh, field_neigh,
                               time_field_neigh, cat_neigh, neighborhood_type,
                               num_neighbors, dist_band, swm_file, temporal_type,
                               time_step_interval num_permutation, weighting_scheme,
                               out_global_tbl)

Entornos

Generador de números aleatorios, Sistema de coordenadas de salida, Factor de procesamiento en paralelo

Casos especiales

Información de licenciamiento

• Basic: Sí
• Standard: Sí
• Advanced: Sí