划分类：jenks 与 kmeans

Question

我想将一个向量（长度约为 10^5）分为五个类。通过包 classInt 中的函数 classIntervals，我想使用 style = "jenks" 自然中断，但这即使对于向量小得多，只有 500。设置 style = "kmeans" 几乎立即执行。

library(classInt)

my_n <- 100
set.seed(1)
x <- mapply(rnorm, n = my_n, mean = (1:5) * 5)

system.time(classIntervals(x, n = 5, style = "jenks"))
R> system.time(classIntervals(x, n = 5, style = "jenks"))
   user  system elapsed 
  13.46    0.00   13.45 

system.time(classIntervals(x, n = 5, style = "kmeans"))
R> system.time(classIntervals(x, n = 5, style = "kmeans"))
   user  system elapsed 
   0.02    0.00    0.02

是什么让 Jenks 算法如此缓慢，是否有更快的方法来运行它？

如果需要，我会将问题的最后两部分移至 stats.stackexchange.com：

• 在什么情况下 kmeans 是 Jenks 的合理替代品？
• 通过在数据点的随机 1% 子集上运行 classInt 来定义类是否合理？

Answer 1

回答你原来的问题：

是什么让 Jenks 算法如此缓慢，有没有更快的方法
运行它吗？

事实上，同时还有一种更快的方法来应用 Jenks 算法，即 BAMMtools 包中的 setjenksBreaks 函数。

但是，请注意，您必须以不同的方式设置中断数，即，如果您在 classInt 包的 classIntervals 函数中将中断数设置为 5，则必须设置将 BAMMtools 包中的 setjenksBreaks 函数分成 6 个，以获得相同的结果。

# Install and load library
install.packages("BAMMtools")
library(BAMMtools)

# Set up example data
my_n <- 100
set.seed(1)
x <- mapply(rnorm, n = my_n, mean = (1:5) * 5)

# Apply function
getJenksBreaks(x, 6)

速度提升是巨大的，即

> microbenchmark( getJenksBreaks(x, 6, subset = NULL),  classIntervals(x, n = 5, style = "jenks"), unit="s", times=10)
Unit: seconds
                                      expr         min          lq        mean      median          uq         max neval cld
       getJenksBreaks(x, 6, subset = NULL) 0.002824861 0.003038748 0.003270575 0.003145692 0.003464058 0.004263771    10  a 
 classIntervals(x, n = 5, style = "jenks") 2.008109622 2.033353970 2.094278189 2.103680325 2.111840853 2.231148846    10   

Answer 2

来自 ?BAMMtools::getJenksBreaks

Jenks 自然中断方法已从 classInt R 包中的代码移植到 C。

两个程序是一样的；由于其实现方式，其中一种比另一种更快（C 与 R）。