以PostGIS2.4版本说明，当前PostGIS已经提供了4种空间聚类的方法，列表如下：
- ST_ClusterDBSCAN
- ST_ClusterIntersecting
- ST_ClusterKMeans
- ST_ClusterWithin
本文简单用图形化的方式简述一下这几种方法如何使用。
一 ST_ClusterDBSCAN
ST_ClusterDBSCAN是一个窗口函数，基于DBSCAN算法，返回每一个输入的2D图形所在“簇”的id。
定义：integer ST_ClusterDBSCAN(geometry winset geom, float8 eps, integer minpoints);
参数说明：
geom：输入的2d图形对象。
eps：输入图形之间的距离如果小于eps规定的距离，他们就被化为同一“簇”。
minpoints：每个“簇”中图形最小数量。
使用说明：
# 查询buildings的面图层中，建筑之间距离小于20米（0.0002是度，约20米）分类，且每一类中数量不少于2。
gis_cluster=# SELECT gid,name, ST_ClusterDBSCAN(geom, eps:= 0.0002, minpoints := 2)
over () AS cid FROM buildings;
gid | name | cid
-----+--------------+-----
1 | |
2 | | 2
3 | | 2
4 | | 2
5 | 大洋百货 |
6 | 商茂世纪广场 | 0
7 | 华威大厦 | 2
8 | 天安保险大厦 | 2
9 | | 2
10 | |
11 | 江苏交通大厦 | 2
12 | 阳光大厦 |
13 | | 0
14 | | 2
15 | | 2
16 | | 2
17 | | 2
18 | | 1
19 | | 1
20 | | 2
21 | | 2
22 | | 2
23 | | 2
24 | | 2
25 | | 2
26 | | 2
27 | | 2
-- More --
可视化效果如下：
-1的是不属于任何“cluster”的图形，也就是查询中cid是null的数据，其他的数据都有自己的所属“cluster”的id值，即cid值。
二 ST_ClusterIntersecting
ST_ClusterIntersecting是一个聚合函数，返回一个GeometryCollections数组，每个数组中的geom都是直接或间接能相交的图形。
定义：geometry[] ST_ClusterIntersecting(geometry set g);
参数说明：
g:一组几何图形。
使用说明：
测试表中数据可视化如下：
gis_cluster=# select st_astext(unnest(ST_ClusterIntersecting(geom))) from buildings2;
st_astext
-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
GEOMETRYCOLLECTION(POLYGON((118.77376608689 32.0424742122357,118.774542742962 32.0416518705121,118.773994515147 32.0411036426964,118.773172173423 32.0418802987687,118.77376608689 32.0424742122357)),POLYGON((118.774222943403 32.0429310687489,118.775898083951 32.0413320709528,118.775456455989 32.0407838431371,118.774542742962 32.0416518705121,118.77376608689 32.0424742122357,118.774222943403 32.0429310687489)),POLYGON((118.775898083951 32.0413320709528,118.777055453785 32.0402813009728,118.776629054372 32.0397635302578,118.775456455989 32.0407838431371,118.775898083951 32.0413320709528)))
GEOMETRYCOLLECTION(POLYGON((118.771192461866 32.0393066737446,118.772684859809 32.0389259599839,118.772258460397 32.0379208756551,118.770705148252 32.0383320465169,118.771192461866 32.0393066737446)),POLYGON((118.772258460397 32.0379208756551,118.772684859809 32.0389259599839,118.774375228908 32.0384234178194,118.773964058046 32.0375097047933,118.772258460397 32.0379208756551)))
GEOMETRYCOLLECTION(POLYGON((118.776766111326 32.0381188468106,118.778045309563 32.0377076759488,118.778167137966 32.0373117336375,118.777695052903 32.0366721345192,118.776080826556 32.0371746766835,118.776766111326 32.0381188468106)),POLYGON((118.778700137232 32.0380274755081,118.779857507065 32.0373878763897,118.779461564754 32.0368853342252,118.778730594333 32.0369614769774,118.778167137966 32.0373117336375,118.778045309563 32.0377076759488,118.778700137232 32.0380274755081)))
(3 行记录)
已有数据被划分成了三类如下：
聚合函数只返回了图形的集合出来，没带上记录的标记，该方法最好也能将记录的id返回比较好用。
三 ST_ClusterKMeans
ST_ClusterKMeans：均值中心聚类，窗口函数，对每个输入的图形，根据图形之间的二维distance进行均值中心聚类，返回聚类的id。distance指的是图形之间的centroids。
定义：integer ST_ClusterKMeans(geometry winset geom, integer number_of_clusters);
参数说明：
geom：输入的二维图形。
number_of_clusters：聚类的数量。
使用示例：
#均值中心聚类，聚成3类
gis_cluster=# SELECT gid,ST_ClusterKMeans(geom,3) over () AS cid,geom FROM buildings;
同理，聚合成4类效果图如下：
使用也比较简单，也好理解。
四 ST_ClusterWithin
ST_ClusterWithin：聚合函数，对输入的图形，指定一个笛卡尔距离（距离单位是图形srid对应的单位），图形之间的距离在指定的距离内，则归并为一类。最后返回聚类后的图形数组。
定义：geometry[] ST_ClusterWithin(geometry set g, float8 distance);
使用简介：
create table buildings6(
id serial primary key,
cid int,
geom geometry(Polygon,4326)
);
do language plpgsql $$
DECLARE
rec record;
num int;
i int;
BEGIN
truncate table buildings6;
--距离设置为约50米，改成0.0003就是约30米
for rec in with a as (select unnest(ST_ClusterWithin(geom, 0.0005)) geom from buildings) select row_number() over() as id,a.geom from a loop
num:=ST_NumGeometries(rec.geom);
for i in 1..num loop
insert into buildings6(cid,geom) select rec.id,ST_GeometryN(rec.geom, i);
end loop;
end loop;
end;
聚类效果还是比较明显的。几个聚类函数比较常用，尤其在选址等应用上，不过具体的业务比简单的应用复杂多，笔者抛砖引玉，希望读者能有好的案例出现。