| Etiqueta | Explicación | Tipo de datos |
Entidades de puntos de entrada | Las entidades de puntos de entrada que se utilizarán para crear clústeres, líneas o polígonos. | Feature Layer |
Clase de entidad de salida | La clase de entidad de salida. Si el parámetro Método de agregación se establece en Clúster, la salida será una clase de entidad de puntos. Cuando el parámetro Método de agregación se establece en Entidad más próxima, el tipo de geometría de la salida será el mismo que el valor del parámetro Entidades de comparación de entrada. | Feature Class |
Tolerancia clúster (Opcional) | La distancia máxima que separa los puntos a la que se considerarán parte del mismo clúster. Si no se especifica la tolerancia clúster, la herramienta creará un clúster donde las entidades de puntos se superpongan. Este parámetro está activo si el parámetro Método de agregación se define como Clúster. | Linear Unit |
Campos de salida (Opcional) | Los campos de las entidades de entrada que se transferirán a la salida. | Field |
Método de consolidación (Opcional) | Especifica cómo se agregarán las entidades de puntos de entrada.
| String |
Entidades de comparación de entrada (Opcional) | La clase de entidad de línea o polígono de entrada de comparación mediante la que se agrega el valor del parámetro Entidades de puntos de entrada. Este parámetro está activo si el parámetro Método de agregación se define como Entidad más próxima. | Feature Layer |
Resumen
Realiza un análisis 80/20 de entidades y crea clústeres de puntos, líneas o polígonos en función del número de incidentes asociados. La herramienta calcula un campo de porcentaje acumulado para identificar las ubicaciones donde ocurren incidentes desproporcionadamente.
Uso
La regla 80-20 es un concepto teórico en el que la gran mayoría de incidentes ocurren en una minoría reducida de ubicaciones, por ejemplo, un 80 por ciento de los incidentes se producen en un 20 por ciento de las ubicaciones.
En la disciplina del análisis de delitos, esta herramienta se puede utilizar de muchas formas. Entre los flujos de trabajo de análisis típicos se incluyen los siguientes:
- Agregar incidentes en clústeres: este tipo de análisis identifica las propiedades con el mayor número de incidentes para un periodo específico.
- Agregar incidentes a segmentos de calle: este tipo de análisis se describe a veces como buscar calles calientes.
- Agregar incidentes a límites de vecindarios específicos: este tipo de análisis se describe a veces como buscar áreas calientes.
El parámetro Método de agregación determina cómo se lleva a cabo el análisis 80-20 y cómo se agregarán las entidades de puntos de entrada. Los dos métodos de agregación disponibles para realizar análisis son Clúster y Entidad más cercana, que se describen a continuación:
- Clúster: las entidades de puntos de entrada se agruparán en función del método de clustering Distancia definida (DBSCAN) utilizado en la herramienta Clustering basado en densidad.
- Entidad más cercana: las entidades de puntos de entrada se asociarán con la entidad poligonal o de línea de comparación de entrada más cercana.
Los siguientes campos se agregarán a la salida cuando el parámetro Método de agregación se defina como Clúster:
- ICOUNT: el número de puntos encontrados dentro de la tolerancia clúster para ese clúster.
- PERC: el porcentaje del número total de puntos encontrados dentro de la tolerancia clúster para ese clúster.
- CUMU_PERC: el porcentaje acumulado del punto de clúster actual y el resto de puntos de clúster más grandes, calculado con el valor de ICOUNT.
- CUMU_LPERC: el porcentaje acumulado del punto de clúster actual y el resto de puntos de clúster más grandes, calculado con el número total de entidades de puntos de salida.
Los valores de CUMU_PERC y CUMU_LPERC se pueden utilizar para determinar si un número desproporcionado de ubicaciones de clúster representa una proporción mayor de delitos, por ejemplo, un 20 por ciento de ubicaciones de clúster contiene un 80 por ciento de puntos totales.
Los siguientes campos se agregarán a la salida cuando el parámetro Método de agregación se establezca como Entidad más próxima:
- ICOUNT: el número de puntos encontrados más cerca de las entidades de línea o poligonales.
- PERC: el porcentaje del número total de puntos que se encuentran cerca o dentro de las entidades de línea o poligonales.
- CUMU_PERC: el porcentaje acumulado de la entidad actual y del resto de entidades con recuentos más grandes, calculado con el valor de ICOUNT.
- CUMU_LPERC: el porcentaje acumulado de la entidad actual y del resto de entidades con recuentos más grandes, calculado con el número total de entidades poligonales o de líneas de salida.
- INC_KM: el número de entidades por kilómetro. Se agrega a la salida cuando las Entidades de comparación de entrada son líneas.
- INC_MI: el número de entidades por milla. Se agrega a la salida cuando las Entidades de comparación de entrada son líneas.
- INC_SQKM: el número de entidades por kilómetro cuadrado. Se agrega a la salida cuando los valores de Entidades de comparación de entrada son polígonos.
- INC_SQMI: el número de entidades por milla cuadrada. Se agrega a la salida cuando los valores de Entidades de comparación de entrada son polígonos.
Los valores de CUMU_PERC y CUMU_LPERC se pueden utilizar para determinar si un número desproporcionado de ubicaciones de entidades poligonales o de línea representa una proporción mayor de delitos, por ejemplo, un 20 por ciento de entidades de línea o polígono contiene un 80 por ciento de puntos totales.
Los registros en la salida se ordenan en base a valores de campo ICOUNT (recuento de incidentes), CUMU_PERC (porcentaje acumulado), PERC (porcentaje de incidentes) y CUMU_LPERC (porcentaje de ubicación acumulado) generados.
La clase de entidad de salida se simboliza con el campo ICOUNT.
La clase de entidad de puntos de salida está simbolizada por una capa de símbolo graduado en función del número de incidentes que se producen en cada ubicación.
Parámetros
arcpy.ca.EightyTwentyAnalysis(in_features, out_feature_class, {cluster_tolerance}, {out_fields}, {aggregation_method}, {in_comparison_features})| Nombre | Explicación | Tipo de datos |
in_features | Las entidades de puntos de entrada que se utilizarán para crear clústeres, líneas o polígonos. | Feature Layer |
out_feature_class | La clase de entidad de salida. Si el parámetro aggregation_method se establece en POINT_CLUSTER, la salida será una clase de entidad de puntos. Cuando el parámetro aggregation_method se establece en CLOSEST_FEATURE, el tipo de geometría de la salida será el mismo que el valor del parámetro in_comparison_features. | Feature Class |
cluster_tolerance (Opcional) | La distancia máxima que separa los puntos a la que se considerarán parte del mismo clúster. Si no se especifica la tolerancia clúster, la herramienta creará un clúster donde las entidades de puntos se superpongan. Este parámetro está habilitado cuando el parámetro aggregation_method tiene el valor POINT_CLUSTER. | Linear Unit |
out_fields [out_fields,...] (Opcional) | Los campos de las entidades de entrada que se transferirán a la salida. | Field |
aggregation_method (Opcional) | Especifica cómo se agregarán las entidades de puntos de entrada.
| String |
in_comparison_features (Opcional) | La clase de entidad de línea o polígono de entrada de comparación mediante la que se agrega el valor del parámetro in_features. Este parámetro está habilitado cuando el parámetro aggregation_method tiene el valor CLOSEST_FEATURE. | Feature Layer |
Muestra de código
El siguiente script de la ventana de Python demuestra cómo utilizar la función EightyTwentyAnalysis de modo inmediato.
import arcpy
arcpy.env.workspace = r"C:/data/city_pd.gdb"
arcpy.ca.EightyTwentyAnalysis("CallsForService", "80_20_clusters")El siguiente script de Python demuestra cómo utilizar la función EightyTwentyAnalysis en un script independiente.
# 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)El siguiente script de Python muestra cómo utilizar la función EightyTwentyAnalysis en un script independiente para determinar segmentos de calle con una cantidad desproporcionada de delitos en las inmediaciones. En el análisis de delitos, este tipo de análisis a veces se describe como la búsqueda de calles calientes.
# 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)Entornos
Información de licenciamiento
- Basic: Sí
- Standard: Sí
- Advanced: Sí