前面的章节里面，我们看了很多关于空间分布模式的基本原理，从这一章节开始，我们讲一些具体的工具和算法的使用。
[En]
In the previous chapter, we read a lot about the basic principles of spatial distribution patterns. From this chapter, we talk about the use of some specific tools and algorithms.
前面我们用莫兰指数、P值、Z得分啥的，可以得出一份数据是属于离散、随机还是聚集，并且通过各种 指数，得出聚集或者离散的程度，这种指数就是我们在 定量分析时候经常用手段之一。
像莫兰指数这样的分析，在关注空间关系的同时，还要考虑属性，也就是并非单纯的在考虑空间上的聚集。而上篇文章我们说到，点数据分析里面，很多分析，并不需要（或者没有）数值型的属性，而仅仅考虑从 空间位置上做分析。比如： 纯粹的 空间位置的 数据聚集。
[En]
In the analysis such as Moran index, we should not only pay attention to the spatial relationship, but also consider the attribute, that is, it is not simply to consider the spatial aggregation. As we said in the previous article, in point data analysis, many analyses do not need (or do not have) numerical attributes, but only consider doing analysis from * spatial location * . For example: * purely * spatial location * data aggregation * .
说到关于聚集，或者聚类，大家经常在网上看到这样的可视化：
从上面可视化效果可以看到，一般只能表达XY两个属性维度，比如下面是全国各城市的气温，如果用 温度进行聚类，是这个样子，可以很明显看见中国的气候分布，比如长江南北、关内关外，天山南北麓——
但是，如果我用空间数据的 空间位置作为 聚类属性，那么就会变成这个样子——好像也蛮标准的：东北、华北、东南、华南、西北......
但是这种聚类方式， 不叫做"空间聚类"，用的是空间维度为特征进行的属性聚类，实际上应该叫做" 空间要素属性化"，是属于属性聚类的一种。至于啥叫空间聚类，先挖一坑，我们在后面的分析中会详细说明。