地图点聚合优化

作者：项惠
来源：千一科技（南京）有限公司
时间：2020年8月6日

点聚合

点聚合（point+cluster），或又叫点聚类，是地图综合的其中一种方法，主要解决地图中点要素很多时候的表示困难的问题。点聚合可以用少量的点或图标来表示地图中的所有点，让地图显示更清晰明朗。

1. 场景化

将地图范围划分成指定尺寸的正方形，然后将落在对应格子中的点计算出质心，最终一个正方形内只显示一个中心点。

已知初始化参数

new AMap.Map('container', {
    resizeEnable: true, 
    center: [105, 34],
    zoom: 4
});

获取屏幕四角经纬度

2. 模型

一个区块对应多个点(m,n)→P0,P1,P2…

3. 存储

使用

dx=(limitBounds.northeast.lng-limitBounds.southwest.lng)/500
dy=(limitBounds.northeast.lat-limitBounds.southwest.lat)/100

P→blockId(m,n)

m= Math.ceil((右上lng-左上lng)/dx)
n= Math.ceil((左下lat-左上lat)/dy)
Math.ceil()方法时小数进一（例如：13.1=14）
就可以得到blockid的值，然后存入数据库中

4. 计算

查询table表根据blickId分组得到每个区块的值，然后根据lat，lng求得每个区块的质心。
Select blockId,count(blockId),sum(Lat),sum(Lng) form table group by blockId

质心(x,y)=(sum(lat)/count(blockId) , sum(lng)/count(blockId))

每个区块求得质心之后展示如图

若不求质心，如下图：

此时聚合点的位置采用的是该网格的中心，而非该网格的质心，这样聚合出来的点可能不能较精确反映原始点的信息。

5. 分析

算法复杂度分为时间复杂度和空间复杂度，一个好的算法应该具体执行时间短，所需空间少的特点。

1. 时间复杂度
   时间复杂度主要是衡量一个算法的运行速度，定量描述该算法的运行时间。算法的基本操作执行次数就是该算法的时间复杂度。
2. 空间负责度
   空间复杂度主要是衡量一个算法所需要的额外空间，不是字节数，是变量的个数。

而groupby的方式是先将col排序。而数据库中的group一般使用sort的方法，即数据库会先对col进行排序。而排序的基本理论是，时间复杂为nlogn，空间为1.，然后只要单纯的计数就可以了。优点是空间复杂度小，缺点是要进行一.次排序，执行时间会较长。

对于一个算法，其时间复杂度和空间复杂度往往是相互影响的。当追求一个较好的时间复杂度时，可能会使空间复杂度的性能变差，即可能导致占用较多的存储空间；反之，求一个较好的空间复杂度时，可能会使时间复杂度的性能变差，即可能导致占用较长的运行时间。另外，算法的所有性能之间都存在着或多或少的相互影响。因此，当设计一个算法(特别是大型算法)时，要综合考虑算法的各项性能，算法的使用频率，算法处理的数据量的大小，算法描述语言的特性，算法运行的机器系统环境等各方面因素，才能够设计出比较好的算法。