PostGIS计算聚类，通常有种两种方法。一个是使用kmeans方法；另一种是使用阈值计算相对空间关系，实现聚类。
ST_ClusterKMeans则是基于K均值算法，需要指定簇的数量（k值），根据点的位置进行划分。
ST_ClusterWithin是基于距离的聚类，它把互相在指定距离内的点归为一类，适合根据实际地理距离来分组。
本次分享的是第一种方法：基于ST_ClusterKMeans方法，计算点之间的相对空间关系，实现聚类。
请根据不同的聚类需求来选择方法。
示例语法
SELECT
row_number() OVER () AS id,
ST_NumGeometries(geom_collection) AS num_points,
geom_collection,
ST_Centroid(geom_collection) AS centroid,
ST_MinimumBoundingCircle(geom_collection) AS circle,
sqrt(ST_Area(ST_MinimumBoundingCircle(geom_collection)) / pi()) AS radius
FROM (
SELECT
ST_ClusterKMeans(geom, 5) OVER () AS cluster_id,
ST_Collect(geom) AS geom_collection
FROM points_table
GROUP BY cluster_id
) clustered_data;
用法说明
子查询部分
SELECT
ST_ClusterKMeans(geom, 5) OVER () AS cluster_id,
ST_Collect(geom) AS geom_collection
FROM points_table
GROUP BY cluster_id;
ST_ClusterKMeans(geom, 5)
对 rand_point 表中的点进行 K-Means 聚类，指定聚类数量为 5（可根据需求调整）。
返回每个点所属的簇编号 cluster_id（从 0 开始递增）。
ST_Collect(geom)
将同一簇（cluster_id）的所有点合并为一个几何集合（如 MULTIPOINT）。
GROUP BY cluster_id
按簇分组，确保每个簇生成一行数据。
外层查询
SELECT
row_number() OVER () AS id,
ST_NumGeometries(geom_collection) AS num_points,
geom_collection,
ST_Centroid(geom_collection) AS centroid,
ST_MinimumBoundingCircle(geom_collection) AS circle,
sqrt(ST_Area(...) / pi()) AS radius
FROM (...) clustered_data;
row_number() over ()
生成递增的id。
ST_NumGeometries(gc)
统计几何集合中的对象数量（如点的个数）。
ST_Centroid(gc)
计算几何集合的质心。
ST_MinimumBoundingCircle(gc)
生成包含几何集合的最小外接圆（返回POLYGON）。
sqrt(ST_Area(...) / pi())
通过圆面积公式反推半径。
结果如图
