近鄰分析vs路徑分析超簡單比較 | GIS新手必學：近鄰分析實戰 | 路徑分析原來可以這樣用！

最近在研究地理資訊系統時，發現「近鄰分析 路徑分析」這兩個工具真的超實用！特別是當你要處理空間資料的時候，它們就像是幫你找出最佳解的神隊友。今天就來跟大家聊聊這兩個分析方法的實際應用場景，還有它們之間微妙的差異。

先說近鄰分析好了，這個功能最常被用來計算點與點、點與線之間的距離關係。比如說你想知道全台北市的便利商店，距離最近的捷運站有多遠，這時候近鄰分析就能快速幫你配對出每間超商對應的最近車站。而在ArcGIS裡頭做這個分析超簡單，只要把點圖層和線圖層丟進去，系統就會自動幫你算出最短距離並建立關聯表。

至於路徑分析就更有趣了，它不只是算直線距離，還會考慮實際路網狀況。像是在規劃物流配送路線時，光知道兩點之間的直線距離沒用啊，實際開車要怎麼走才最快？這時候路徑分析就會把單行道、紅綠燈、塞車路段這些現實因素都考慮進去，找出真正省時省油的最佳路線。

下面這個表格簡單整理兩種分析的主要差異：

實際操作時很多人都會搞混這兩者，其實關鍵在於你想解決的問題性質。如果你只是要單純知道「最近的」是什麼，近鄰分析就夠用了；但要是你需要考慮「怎麼到達」的細節，那就非得用路徑分析不可。像我們團隊上次幫某家外送平台優化送餐區域，就是先做近鄰分析找出餐廳3公里內的客戶，再用路徑分析排出最順的送餐路線，兩者搭配使用效果超好。

在R語言裡做這些分析也很方便，特別是sf和igraph這些套件，可以讓你從基礎的空間關係計算，一路玩到複雜的網路分析。像是計算每個里活動中心到最近醫院的步行時間，或是模擬颱風來時避難所的最佳疏散路徑，這些都是實際工作中很常遇到的案例。

近鄰分析跟路徑分析差在哪？一次搞懂兩者差異，這兩個GIS分析工具看起來很像，但其實用途差很大！近鄰分析主要是看「誰在附近」，像找方圓500公尺內有幾家便利商店；路徑分析則是規劃「怎麼走最快」，像導航幫你避開塞車路線。簡單說，一個是找鄰居，一個是找路線，雖然都用空間數據，但解決的問題完全不一樣。

先講近鄰分析，這個超常用在生活選址，比如想開飲料店，就要分析方圓1公里內有多少競爭對手、客群分佈在哪。它會用緩衝區(buffer)畫出範圍，計算範圍內有幾個點位或面積比例。而路徑分析更注重「移動過程」，除了考慮距離，還會加入單行道、車速限制等現實因素，像foodpanda外送員的最佳送餐路線就是典型應用。

幫大家整理成表格更清楚：

實際操作時，近鄰分析通常用點對點直線距離就夠了，但路徑分析要搭配真實路網數據才準。比如你想知道住家到醫院的距離，近鄰分析會告訴你直線2公里內有3家，而路徑分析會算出騎機車實際要繞8分鐘、經過5個紅綠燈。兩者常被搞混是因為都會用到空間關係計算，但背後的演算法和應用場景真的差很多！

為什麼要做近鄰分析？實際應用案例大公開！這其實是很多台灣在地企業跟政府單位都在偷偷用的好工具，簡單來說就是幫你找出「誰在你附近」的技術，聽起來很普通但用起來超乎想像的實用。像是你家巷口的便利商店要開在哪裡才會賺錢、消防局要設在哪個位置才能最快到達火災現場，這些都需要靠近鄰分析來幫忙找出最佳解方。

近鄰分析最厲害的地方在於它能同時考慮「距離」和「關係」，不是單純看地圖上離多遠而已。舉個例子，連鎖早餐店要開新分店時，光看人潮多不夠，還要分析方圓500公尺內有沒有學校、辦公大樓，甚至是競爭對手的位置。我們整理幾個台灣實際應用的案例給大家參考：

你可能不知道，連外送平台都在用近鄰分析決定要把餐廳集中放在哪個區域。像是foodpanda就會分析訂單熱區跟餐廳分布，建議新加入的店家開在訂單多但餐廳少的「外送沙漠區」。這種分析在疫情後變得特別重要，因為大家更依賴外送，餐廳位置好不好直接影響生意。

地方政府也很愛用這招來做都市規劃。像高雄市就曾經用近鄰分析找出哪些里的公園太少，優先增設兒童遊樂設施。他們不是隨便選地點，而是精確計算每個里內小朋友走到最近公園要花多少時間，真的超級貼心！這種分析方式讓有限的預算可以花在真正需要的地方，不會被說資源分配不公平。

今天要來跟大家分享如何用Python實作簡單的近鄰分析？這個在資料科學中超級實用的技巧，其實用Python來做比想像中簡單很多喔！近鄰分析（KNN）是一種很直觀的機器學習演算法，特別適合剛入門的新手來練習，我們就用scikit-learn這個超好用的套件來示範給大家看。

首先當然要先安裝必要的套件啦！如果你還沒裝scikit-learn的話，打開終端機輸入pip install scikit-learn就能搞定。接著我們需要準備一些測試資料，這邊我用一個簡單的範例資料來示範，假設我們要根據花朵的特徵來分類：

接下來就是寫程式碼的時間了！我們先import必要的模組，然後把資料載入。記得要把特徵和標籤分開，X放特徵，y放品種標籤。接著用train_test_split把資料分成訓練集和測試集，這樣才能評估模型的表現。設定測試集比例的時候，通常會用20-30%左右，這個可以根據你的資料量來調整。

然後就是重頭戲啦！建立KNN模型超級簡單，只要幾行code就搞定。我們用KNeighborsClassifier這個類別，設定n_neighbors參數（就是K值啦），這個數字代表要看幾個最近的鄰居。一般來說會先用奇數開始試，像是3、5、7之類的，避免平手的狀況。設定好之後用fit方法訓練模型，再用predict來預測測試集的結果，最後用accuracy_score來看看模型準不準確。

整個過程其實不難對吧？但要注意幾個小細節喔！像是資料要不要先標準化或正規化，因為KNN是基於距離的演算法，如果特徵的尺度差太多會影響結果。還有K值的選擇也很重要，太小容易過度擬合，太大又可能太籠統，可以用交叉驗證來找最適合的K值。另外如果你的資料量很大，計算最近鄰居可能會比較耗時，這時候可以考慮用KD-tree或Ball-tree來加速。