白话空间统计二十：相似性搜索(一）

莎老爷子著名的四大悲剧之一的哈雷王子。。。里面这句话一直是文艺小青年们zhuangbility的金牌用语……实际上说出了这样一句大实话：千古艰难惟一死。

 

人为什么怕死，无非就是没有死过而已。如果想一个人没事一天就死个十回八回的，那么有何可怕？这就是一切生物最原始的一种恐惧：对于未知的恐惧。

 

所以呢，我们都习惯找一个熟悉的地方，和一群熟悉的人，聊一些熟悉的话题……当然，不可能永远都在熟悉的圈子里面打转，人总是要走出去的。

 

所以退一万步，我们就需要找到一个与我们熟知内容所相似的情况。

 

比如租房，如果现在这个地方住的很舒服，但是因为黑心房东而不得已要搬走的话，我们就很希望找一个与当前环境条件租金啥的，都很相似的地方。

 

找工作的话，当然也是一样。

 

这样，就引出今天的题目：相似性搜索。

 

通俗意义上来说，就是给出条件，然后从所有数据中，找到与给出数据最相似的那些数据。注意的是：相似不是相同，相似更接近于客观世界规律。自然界中不可能有两片完全相同的叶子。

 

相似性搜索的功能描述如下：

从上面可以看出，相似性搜索，给你的是最相似（或者取反就是相异）的数据，而不是去搜索完全一样的数据。

 

传统的数据库搜索匹配理论，是所谓的二分论，即“非黑即白”，比如我们敲入一个SQL命令，那么数据库一般都会给你两种结果：yes or no，这种就是所谓的确定性搜索，给你的都是完全满足你条件的记录，而相似性搜索，会给出你一些基于概率值的结果，而概率论，正式统计学的根基，不管是空间统计还是经典统计。

 

相似性搜索的原理，更接近客观世界的认知，所以我们会花比较多的篇幅来进行描述。实际上今年虾神我也准备写很多有关聚类的内容，而聚类所谓的相似的归为一类，这个相似，很多时候就是用相似性搜索的算法来实现的。

 

在分析软件中（不管是ArcGIS还是其实的啥神器），分析都是基于数值属性来实现的（统计只与数值有关，所有的非数值型的变量，都会变变化为数值型之后才能进行统计），那么这里的相似性搜索，也是只能基于数值型属性来进行分析。

 

那么有同学问，我如果对好多个指标都要分析呢……那么ArcGIS采取了一个简单粗暴的方法——基于平均值来进行计算。好吧，如果要深入的话，可以自己重新实现一下这个算法，引入权重系数的模式，这个东东作为进阶内容，在这里暂时不做详细叙述。

 

在详细说各种算法之前，首先讲讲这个神器的一般在什么地方使用。

 

首先，确定目标的时候，很有用。这个目标可以是对比的目标，或者追赶的目标。正如网络上经常流行的一个段子：

突然觉得中国真是真心不容易：

国力要和美国比；

福利要和北欧比；

环境要和加拿大比；

机械制造要和德国&日本比；

人均GDP要和卢森堡比（卢森堡2013年全国人口约为54万人，仅为北京天通苑小区的三分之二）

……

一个国家要vs全世界的高端。

 

这就一种盲目的确定目标了。

 

所以，要学会选择目标。比如老夫也想和思聪比生活品位；或者和三胖比霸气……好吧，我也就想想而已。

 

所以，我们在比较之前，可以以中国为样本，然后在全世界范围内，搜索最相似的内容，作为中国的目标即可。如下：

首先用人口、国土面积、GDP总量以及人均GDP均衡计算后，进行相似度搜索，直接不考虑空间关系，采用属性匹配法，获得10个有代表性的国家，得到的结果如下：

 

与中国最相似的：印度（此次应有掌声，三哥天天以中国为假想敌是有道理的）。

与中国有点相似的：美国（中国的国土面积和GDP总量与美国太相像了）、巴西（we are 五星球队）有点相似。

 

最后，多说一句，这里的排名，是以这10个有代表性的国家里面进行排名的，假定他们10个代表全世界，所以我们这里看见的澳大利亚的相似度排名第9，并不代表他是前10名，而是代表他位于与中国非常不相似（相异）的区间段了。

 

当然，数据项太少，并没有太大的说服力，还是那句话，这里科普工具嘛，不要在意这些细节了。

 

下一篇我们来详细说说这个工具如何使用。