Geospatial Data Science （5）: Spatial autocorrelation
1. 空间自相关和探索性空间数据分析
空间自相关与数据集中观察值的相似性与这些观察值的位置的相似性的程度有关。与传统的两个变量之间的相关关系（告知我们一个变量的值如何作为另一个变量的函数而变化）以及与它的时间序列对应物（将一个变量在某一特定时间点的值与以前的值联系起来）不完全一样，空间自相关将感兴趣的变量在一个特定地点的值与同一变量在周围地点的值联系起来。
这方面的一个关键概念是空间随机性：在这种情况下，观察的位置没有提供关于其价值的任何信息。换句话说，如果一个变量在空间上的分布没有明显的模式，那么它就是空间随机的。因此，空间自相关可以被正式定义为 “没有空间随机性”，这就为两类主要的自相关提供了空间，类似于传统的情况。正空间自相关，当类似的值倾向于聚集在类似的位置时；和负空间自相关，在类似的值倾向于分散和彼此之间的距离。
在本节课中，我们将学习如何在一个给定的数据集中探索空间自相关，询问数据的存在、性质和强度。为了做到这一点，我们将使用一套工具，统称为探索性空间数据分析（ESDA），专门为此目的而设计。ESDA方法的范围非常广泛，从不太复杂的方法，如折线图和一般的表格查询，到更先进和强大的方法，包括统计推理和对数据的地理维度的明确认识。本次会议的目的是让我们涉足后一组。
ESDA技术通常分为两大类：分析全球和本地空间自相关的工具。前者考虑数