4.1　空间数据

从空间的角度可将数据分为非空间数据和空间数据（spatial data）两种。前者指的是不包含空间信息的数据，空间信息既可以通过坐标表示，也可以用其他方式表示，如邻近关系、拓扑关系等；而后者又称空间参照数据（spatial referenced data）、地理参照数据（georeferenced data），是包含了空间对象或特征的点、线或区域的数据，如O-D流数据、空间跟踪数据、空间属性数据等（沈体雁、于瀚辰，2019）。其中，最常见的就是空间属性数据。空间属性数据可以表示成如下形式：

式中， z _j 表示第 j 个属性信息； s _i 表示第 i 个空间单元（点、线或区域）； t 表示时间。该形式被称为时空数据立方（space-time data cube）。

空间数据与一般的数据最主要的不同在于 s _i 存储了空间信息，而空间信息也有很多种，如地理位置、相邻关系等。

对于任意一个 i ，可以用 N （ i ）代表第 i 个空间单元 s _i 有哪些临近的空间单元，一般来说，空间相邻关系与空间属性和时间无关，这样便得到了表示空间单元之间相邻关系的集合｛ N （ i ）｝。结合空间属性数据集合，空间属性数据及其相邻关系可以表示为

中国31个省级单元卫生支出效率与城基保比例见表4-1。如果把该数据当作普通的数据，则可以将31个省级单元的两个变量数据转化成两个变量的分布图，从而得到以上数据的最大值、最小值、均值、标准差等统计信息。如果将该数据视作空间数据，则可以将其以地图形式展示并从中观察以上数据的空间形态，如是否存在空间自相关等，从而判定数据的集聚或分散程度。

另外，｛ N （ i ）｝可以用矩阵的形式表示。在 n 个空间单元中的任意两个空间单元，不相邻的空间单元对应的矩阵元素定义为0，相邻的空间单元对应的矩阵元素定义为1，这也是空间权重矩阵中的一种，即二进制邻接矩阵。

拥有空间属性的数据不仅可以将数据以地图的形式进行可视化展示，还可以探索属性数据的空间关系。如探索性空间数据分析，就是采用可视化、数值或分数值分析以及统计分析等手段，包括空间全局和局部自相关分析、中心趋势分析（平均中心点、中位数中心点、中心地物）、离散程度分析（标准距离、标准差椭圆、空间聚类）以及空间插值分析等，研究空间数据中与空间相关的统计特征，包括空间划分、空间差异、空间结构、空间形态、空间趋势以及预测性分析。 DIUZO+ot6jiYJcspZXCNbvYjxqob0510818UKix529wX6ZWZiP5vF/6PCArrXJb7