Viac

Nepracuje PostGIS s psql?


Mám skript sql, ktorý vytvára niekoľko tabuliek, spúšťač a spúšťaciu funkciu. Všetky príkazy fungujú v programe pgAdmin, keď ich vykonám v sekcii „Dotaz“. Mojím cieľom je dať všetky tieto príkazy do skriptu, aby som mohol pomerne ľahko a rýchlo nastaviť databázu na akomkoľvek stroji. Pri pokuse o spustenie skriptu cez psql sa mi však na všetkých riadkoch, kde sa pokúšam použiť, zobrazia nasledujúce chybyGeografiatypy:

CHYBA: typ „geografia“ neexistuje

Nemá to zmysel, pretože dokážem skopírovať a vložiť presne tie isté dotazy do editora dotazov pgAdmin a funguje to dobre. Nepodporuje psql PostGIS? Alebo možno nie len najnovšia verzia PostGIS, 1.5.3, ktorá obsahuje novúGeografiatypy? Je niečo, čo môžem urobiť, aby som to napravil?

Príklad jedného z mojich dotazov:

CREATE TABLE source_imagery (id SERIAL PRIMARY KEY, image_type VARCHAR (1000), image_path VARCHAR (1000), boundary GEOGRAPHY (POLYGON, 4326), image_time TIMESTAMP, catalog_time TIMESTAMP DEFAULT CURRENT_TIMESTAMP);

Chybná správa:

CHYBA: typ „geografia“ neexistuje RIADOK 5: hranica GEOGRAPHY (POLYGON, 4326), ^

Ak program PGAdmin určite uspeje v operáciách týkajúcich sa typu zemepisu, potom môžem len navrhnúť, aby sa ubezpečil, že psql a PgAdmin sú skutočne pripojené k tej istej databáze. Chyba nahlásená psql je zo servera, psql je iba messenger. špecifikujete priestorovo povolenú databázu, keď vyvoláte psql? Pokiaľ nie, pozrite si stránku http://postgis.net/docs/postgis_installation.html#templatepostgis


Chybové hlásenie pochádza z databázového servera, nie z klienta (vo vašom prípade psql). Databáza, ku ktorej ste pripojení, nemá typ zemepisu. Najskôr nainštalujte PostGIS do tejto databázy alebo sa pripojte k databáze, ktorá už má PostGIS nainštalovaný.


Linux (psql) neuvádza všetky databázy, ale pgadmin

Keď zobrazím zoznam databáz v príkazovom riadku psql, zobrazí sa zoznam 4 databáz:

Ale keď zobrazím databázy v pgAdmin .. Vidím databázy, ktoré chcem vidieť:

  1. myDatabase
  2. postgres
  3. template0
  4. template1
  5. myDatabase2
  6. myDatabase3
  7. myDatabase4

Ako je to možné? Vlastníkom všetkých databáz sú samen & quotpostgres & quot


Riešenie

Indexu môžete povedať, aby triedil svoje záznamy, ktoré už používajú geom ako 2D, pomocou funkcie ST_Force2D pri vytváraní indexu, takže to databáza nemusí robiť v čase dotazu:

Podobný efekt bude mať, ak vynecháte ST_Force2D v CREATE INDEX, pokiaľ ho neskôr v klauzule WHERE tiež nepoužívate. Dlhý príbeh krátky: spôsob indexovania stĺpcov a spôsob ich dopytovania sa musia zhodovať, inak sa index pravdepodobne nebude používať.

Odpovedal: Anonym

Súvisiace články

Zrieknutie sa zodpovednosti: Tento obsah je zdieľaný pod spoločnou kreatívnou licenciou cc-by-sa 3.0. Generuje sa zo siete StackExchange.


Metódy

Účastníci

Účastníci pochádzali z komunitnej vzorky dospelých dvojčiat zhromaždenej z záznamov o licenciách vo Washingtone, podrobný popis je k dispozícii inde [28]. Vzorka pozostávala z 2 497 jednotlivých členov dvojíc žijúcich v štvorkomoravskej oblasti Puget Sound v okolí Seattlu v štáte Washington (populácia 3,3 milióna 2 600 km 2) (obr. 1). Adresy a údaje z prieskumu, vrátane položiek o sociodemografii, výške, hmotnosti, všeobecnom zdravotnom stave, bežných zdravotných stavoch a správaní sa v životnom štýle, pochádzajú z dotazníka Health & amp Wellbeing vyplneného v období od mája 2010 do júla 2012. Dotazník sa riadil úvodným registračným prieskumom Twin Registry bolo zaslané 11 822 členom registra. Miera odpovede bola 74%, pričom pre túto štúdiu boli vybraní iba obyvatelia regiónu Puget Sound. Respondenti v rámci dokončenia prieskumu poskytli písomný informovaný súhlas a všetky študijné postupy schválila inštitucionálna kontrolná komisia Washingtonskej univerzity.

Mapa štyroch okresov regiónu Puget Sound zobrazujúca obytné oblasti 2497 účastníkov štúdie. Vložka približuje mesto Seattle na pozadí hustoty bytových jednotiek podľa sčítania ľudu (sčítanie ľudu USA ACS 2016). Presné polohy účastníkov XY boli za účelom deidentifikácie roztriasené náhodnou hodnotou ± 1 km (vysvetlenie, prečo sa niektoré miesta účastníkov nachádzajú v jazere Washington)

Fyzická aktivita a sociodemografické opatrenia

Posudzovali sme dva odlišné typy fyzickej aktivity, MVPA a chôdzu. Program MVPA vyšiel z dvoch otázok z prieskumu: (1) „Koľko dní za posledný 4 týždne ste počas typického týždňa intenzívne cvičili najmenej 20 minút? Intenzívne cvičenie spôsobuje silné potenie alebo veľké zvýšenie dychu alebo srdcovej frekvencie a zahŕňa také aktivity ako beh, plávanie na kolenách, hodiny aerobiku a rýchle bicyklovanie. A 2) „Za posledné 4 týždne, koľko dní počas bežného týždňa ste strávili cvičiť striedmo aspoň 30 minút? Mierne cvičenie spôsobuje iba mierne potenie alebo mierne až mierne zvýšenie dychu alebo srdcovej frekvencie a zahŕňa činnosti ako rýchla chôdza, bicyklovanie pre potešenie, golf a tanec. “ Počet minút týždenného kombinovaného intenzívneho a mierneho cvičenia bol vypočítaný ako (20 minút intenzívneho cvičenia × počet dní) + (30 minút mierne cvičenie × počet dní). Pre analýzy bola MVPA dichotomizovaná ako <150 a ≥ 150 min za týždeň, čo je odporúčaný prah fyzickej aktivity [2, 29].

Chôdza bola hodnotená dvoma otázkami: (1) „Koľko dní v typickom týždni chodíte pešo za rekreáciou, cvičením, na miesta z miest alebo z iného dôvodu vo svojom okolí?“ a (2) „Keď idete pešo vo svojom okolí, koľko minút priemerne strávite pri každej chôdzi?“ Možnosti odpovede, v priebehu niekoľkých minút, zahŕňali & lt 15, 15, 30, 45, 60, 75 a & gt; 90. Otázka bola formulovaná tak, aby respondenti mohli zahrnúť všetky typy chôdze, rýchle i bežné, ale aj úžitkové alebo rekreačné, v ich hodnotenie. Počet minút chôdze za týždeň sa vypočítal ako (počet dní × priemerný počet minút chôdze zakaždým). Keď účastníci odpovedali „menej ako 15“ alebo „90 alebo viac“ minút, pri výpočte sa použil priemerný počet minút 10 alebo 90. Pre analýzy bola chôdza tiež dichotomizovaná ako <150 a ≥ 150 min za týždeň.

Sociodemografické premenné boli vek, pohlavie, rasa (bieli a nebieli), úroveň vzdelania (menej ako absolventi stredných škôl, absolventi stredných škôl alebo všeobecnej rovnocennosti, niektoré vysokoškolské a bakalárske alebo vyššie vzdelanie) a celkový príjem domácnosti v minulosti rok (& lt 20 000 $ 20 000–29 999 $ 30 000–39 999 $ 40 000–49 999 $ 50 000–59 999 $ 60 000–69 999 $ 70 000–79 999 $ a ≥ 80 000 $).

BE premenné

Premenné vybudovaného prostredia pochádzali zo štyroch domén, ktoré predchádzajúce štúdie spájali s chôdzou a fyzickou aktivitou vo všeobecnosti: regionálny kontext, zloženie susedstva, ciele a doprava [17, 30, 31]. Regionálny kontext bol definovaný z hľadiska terénu (t. J. Svahu), pretože oblasť Puget Sound je pozoruhodne kopcovitá a žije v nej skôr v Seattli, pretože Seattle je jeho najväčšie a najhustejšie rozvinuté mesto. Premenné zloženia susedstva zahŕňali hustotu bytových jednotiek a pracovných miest, prítomnosť obchodných centier v susedstve a hodnoty obytných nehnuteľností. Destinácie boli rozdelené do podkategórií: zdroje potravín (napr. Obchody s potravinami, reštaurácie), maloobchod a služby (napr. Zmiešaný tovar, zdravotné strediská), športové a fitnes zariadenia (napr. Tímové alebo sólové športy), voľný priestor (napr. Parky) a vzdelávacie zariadenia (napr. školy). Doprava zahŕňala jednak infraštruktúru (napr. Ulice, križovatky), jednak dopravné podmienky (napr. Objem automobilovej dopravy, počet cestujúcich v autobusoch). Zoznam premenných BE a súvisiacich mier je uvedený v dodatočnom súbore 1.

Regionálny terénny sklon pochádzal z USGS National Elevation Dataset (NED 1/3 arc-second raster data, 2012). Údaje o zložení susedstva pochádzali z údajov daňových parciel odhadcu v štyroch okresoch Puget Sound: King (2010), Snohomish (2009), Pierce (2009) a Kitsap (2009). Údaje o zamestnanosti vytvoril tím Urban Form Laboratory (UFL) [32]. Údaje o potravinových zdrojoch a zariadeniach pre fitnes, službách a maloobchode pochádzali od komerčného dodávateľa InfoUSA (2011) a boli klasifikované UFL [33]. Údaje o parkoch boli vyvinuté UFL (2012) na základe údajov o okresoch a miestnych jurisdikciách [34]. Údaje o školách pochádzajú z Národného centra pre štatistiku vzdelávania [35]. Ulice a križovatky boli odvodené z údajov OpenStreetMap (https://www.openstreetmap.org/#map=5/51.500/-0.100 2015). Objemy premávky a zariadenia pre bicykle pochádzajú od regionálnej rady Puget Sound (http://www.psrc.org/data/transportation/bikeped-data 2006). Počet cestujúcich v autobusoch (2010, 2011) pochádzal od dopravných agentúr regiónu.

BE opatrenia

Dva bežne používané polomery definovali domácu štvrť [10, 30, 31, 36, 37]. Bezprostredné okolie ležalo 833 m (0,5 mi) od balíka domov, čo zodpovedalo 10 minút pešej vzdialenosti, a 1 666 m (1 mi) vymedzovalo rozšírené okolie v rámci 20 minút chôdze. Sieť „Sausage“ vyrovnáva zachytené oblasti expozície [36]. Nárazníky sa vytvárajú tak, že sa najskôr identifikujú uličné segmenty, ktoré sú priechodné do 833 ma 1666 m od domovského balíka každého respondenta, potom sa vymedzia oblasti do 100 m od stredových ulíc ulíc a vyplnia sa všetky medzery vo vnútri nárazníka.

Opatrenia prijaté pre každú premennú BE zahŕňali počet (napr. Bytové jednotky, jednotlivé destinácie, vodiči autobusov), dĺžka (napr. Ulice), plocha (napr. Parky), hustota (napr. Hrubá hustota bytových jednotiek v susedstve) , čistá hustota bytových jednotiek v obytných parkoch susedstva) a najkratšia vzdialenosť od domov účastníkov. Počiatočných opatrení BE bolo 86. Doména regionálneho kontextu mala 2 miery 2 premenných, doména zloženia susedstva mala 13 mier 5 premenných, cieľová doména mala 56 mier 41 premenných a transportná doména 15 mier 5 premenných (dodatočný súbor 1). Na základe OpenStreetMap sa v programoch PostgreSQL 9.3.8 a PostGIS 2.1.3 (PostGIS Development Group, 2008) pomocou programových obalov v R 2.15.3 vypočítali sieťové medzipamäte a miery vzdialenosti.

Geokódovanie

Domáce adresy a stravovacie zariadenia dvojčiat, fitnes a športové zariadenia, všeobecné služby a maloobchod z údajov o cieľoch InfoUSA (podrobnosti nájdete v dodatočnom súbore 1) boli geokódované v ArcGIS 10.2.1 (Redlands, CA) pomocou aplikácie StreetMapUSA Premium (http: //www.esri.com/data/streetmap 2014). Pre adresy dvojčiat bolo 60% spárovaných so strešným bodom budovy pomocou skóre zhody 100, 20% bolo spárovaných s interpoláciou poštových adries a 20% bolo spárovaných manuálne. Pre destinácie InfoUSA vyžadovalo 60 minimálnych skóre zhody geokódovania manuálne geokódovanie 36% potravinových cieľov (n = 8293), 33% fitnes cieľov (n = 1550) a 37% maloobchodných destinácií (n = 7534). Menej ako 3% zostalo bezkonkurenčné.

Analýzy

Popisné štatistiky boli vypočítané ako priemer, štandardná odchýlka a rozsah alebo percentá. Predikčné modely používali MVPA a chôdzu ako dva samostatné výsledky a premenné BE v bezprostrednom susedstve (833 m) a v rozšírenom susedstve (1666 m) ako prediktory. Všetky štyri modely obsahovali ako prediktory sociodemografické premenné. Všetky analýzy zaobchádzali s dvojčatami ako s jedincami a v prípade potreby kontrolovali korelácie v rámci dvojíc.

Modelovanie zahŕňalo štyri kroky. Po prvé, aby sa znížil počet premenných BE, pôvodných 86 meraní sa korelovalo s dvoma výslednými premennými v dvoch veľkostiach susedstva pomocou Pearsonových korelačných koeficientov. Korelácie boli malé a najlepších 25 mier (korelačný koeficient> 0,09) sa zachovalo pre každý zo štyroch modelov. Premenné sa potom testovali na multicolinearitu a na zahrnutie do modelov sa ponechala iba jedna z vysoko korelovaných premenných (> 0,8). Konečný počet premenných BE zadaných do modelov sa pohyboval od 9 do 16 v závislosti od modelu.

Po druhé, najvhodnejšiu formu pre nezávislé premenné sme vyhodnotili porovnaním spojitých a kategorických foriem pomocou testu Hosmer a Lemeshow goodness-of-fit [38]. Nakoniec sme zistili, že alternatívne formy nezlepšili prediktívne schopnosti a kvôli jednoduchosti sme ponechali sociodemografické a BE premenné v spojitej podobe. Výnimkou boli premenné BE merajúce vzdialenosť od domov účastníkov k najbližším prvkom BE (napr. Zariadenia pre mládež alebo sólové športy), ktoré bolo treba kategorizovať, aby sa zachovala veľká časť vzorky (25–37%), ktorá mala vzdialenosti väčšie ako 1666 m rozšírená štvrť. Kategorizované premenné vzdialenosti boli modelované v spojitej forme.

Dáta boli rozdelené na tréningové a validačné dátové súbory, na vývoj predikčných modelov a na stanovenie zhody modelu s vylúčením umelo vysokých odhadov zhody modelu. Dve tretiny dvojíc boli náhodne vybrané pre súbor údajov o tréningu a jedna tretina pre súbor údajov o overení. Použitie dvojíc, nie jednotlivcov, zabezpečilo, že súbory údajov o výcviku a validácii boli navzájom nezávislé.

Po tretie, prístupom spätnej eliminácie sa ustanovila najlepšia podmnožina nezávislých premenných, ktoré sa majú zahrnúť do každého zo štyroch modelov, a vytvoriť to, čo sme nazývali „indexové premenné“. Prvý logistický regresný model obsahoval všetky sociodemografické a BE premenné. Premenná s najväčšou P hodnota bola potom odstránená a model bol iteračne upravený, kým nemali všetky zostávajúce prediktory P hodnoty ≤ 0,20 (tradičná hranica 0,05 môže znížiť schopnosť nájsť vhodné prediktory). Vek a pohlavie boli do modelov vtlačené spolu so vzdelaním alebo príjmom alebo oboma, pretože tieto štyri faktory sú všeobecne spojené s fyzickou aktivitou a chôdzou [17]. Keby nemalo vzdelanie ani príjem P ≤ 0,20, potom premenná s najnižšou P hodnota bola zahrnutá. Zoskupené robustné štandardné chyby slúžili na správne nafúknutie odhadov odchýlok v dôsledku korelácie v dvojici.

Po štvrté, vyhodnotili sme najlepší model podmnožiny pomocou kriviek testu správnosti zhody a kriviek prevádzkových charakteristík prijímača (ROC) v súbore validačných údajov. Použila sa plocha pod ROC krivkou alebo C-štatistikou (0,0–1,0), kde 0,5 nepredstavovala žiadnu prediktívnu schopnosť nad rámec náhodnej šance a 1,0 indikovala silnú prediktívnu schopnosť. Krivka ROC z najlepšieho modelu podmnožiny sa porovnala s modelom obsahujúcim iba sociodemografické premenné, aby sa zistilo, či sa model najlepšej podmnožiny významne líši v prediktívnych schopnostiach. Všetky analýzy používali Stata / SE 12.1 (College Station, TX).


Uprednostňujete pri používaní webových máp vrstvy, ktoré vás automaticky zväčšia na úroveň funkcií vo vrstve, alebo vrstvy, ktoré neupravia vaše zobrazenie?

V súčasnosti spolupracujem s tímom navrhujúcim webovú mapu, kde vedieme temperamentné diskusie o spôsobe fungovania obsahu.

Pre informáciu, jedná sa o úplne vlastnú aplikáciu, takže z hľadiska funkčnosti môžeme & # x27re robiť čokoľvek, čo chceme. Rozsah údajov sa pohybuje od približne 5 štvorcových míľ v menšej vrstve až po stredne veľké mesto.

Existuje kontingent, ktorý si myslí, že zapnutie vrstvy v obsahu by malo zväčšiť rozsah vrstvy a nakresliť všetky funkcie. Tvrdia, že je dôležité zabezpečiť, aby si používateľ bol vedomý všetkých funkcií vo vrstve.

Protichodný kontingent si myslí, že užívateľská skúsenosť je negatívne ovplyvnená zväčšením / zmenšením vždy, keď je vrstva prepnutá. Sme v procese prieskumu trhu, aby sme zistili, či je pravdepodobné, že používatelia aktivujú viac ako jednu vrstvu súčasne.

Zaujímalo by ma, aký je tento názor na návrh ToC, a to konkrétne tak, ako je to popísané vyššie, ako aj všeobecne - čo sú veci, ktoré sa ľuďom naozaj páčia v ToC na mape a čo sú to, čo ľudia nenávidia?