這篇文章主要為大家展示了“python中如何使用Geopandas”，內(nèi)容簡(jiǎn)而易懂，條理清晰，希望能夠幫助大家解決疑惑，下面讓小編帶領(lǐng)大家一起研究并學(xué)習(xí)一下“python中如何使用Geopandas”這篇文章吧。

讓客戶滿意是我們工作的目標(biāo)，不斷超越客戶的期望值來(lái)自于我們對(duì)這個(gè)行業(yè)的熱愛。我們立志把好的技術(shù)通過(guò)有效、簡(jiǎn)單的方式提供給客戶，將通過(guò)不懈努力成為客戶在信息化領(lǐng)域值得信任、有價(jià)值的長(zhǎng)期合作伙伴，公司提供的服務(wù)項(xiàng)目有：域名申請(qǐng)、虛擬空間、營(yíng)銷軟件、網(wǎng)站建設(shè)、松溪網(wǎng)站維護(hù)、網(wǎng)站推廣。

關(guān)鍵詞：Python Geopandas  空間數(shù)據(jù)分析

本文講述了借助Python語(yǔ)言和Geopandas工具包完成一個(gè)空間數(shù)據(jù)分析操作的過(guò)程~

作為一名程序員兼職業(yè)余空間數(shù)據(jù)分析師，空間數(shù)據(jù)的處理一直是一抹揮之不去的烏云。雖然GIS軟件可視化的操作界面、包羅萬(wàn)象的功能，已經(jīng)能解決日常工作中幾乎所有問(wèn)題，但對(duì)于身為程序員的我來(lái)說(shuō)，一切不能用鍵盤上26個(gè)字母解決的問(wèn)題，都是不科學(xué)的~所以這些年我一直致力于思考一個(gè)問(wèn)題，如何把Arcgis的功能，用代碼的方式實(shí)現(xiàn)。

我了解到，Geopandas是一個(gè)極好的工具，今天我們就以一個(gè)案例來(lái)管窺一二。

▼

 數(shù)據(jù)準(zhǔn)備&任務(wù)明確

我有一張上海的街鎮(zhèn)地圖，一份上海的房源數(shù)據(jù)和一份上海餐廳數(shù)據(jù)。

今天，我們需要制作每一個(gè)房源的1KM緩沖區(qū)，計(jì)算緩沖區(qū)內(nèi)有多少家餐廳，并且計(jì)算上海每個(gè)街鎮(zhèn)內(nèi)有多少家餐廳，然后繪制在地圖上展示。

這是一個(gè)理論上簡(jiǎn)單但操作繁瑣的過(guò)程，有些同學(xué)可能已經(jīng)知道GIS的操作：

導(dǎo)入地圖數(shù)據(jù)——導(dǎo)入兩份EXCEL——并關(guān)聯(lián)經(jīng)緯度——獲得點(diǎn)數(shù)據(jù)——并保存點(diǎn)數(shù)據(jù)圖層——然后對(duì)房源點(diǎn)數(shù)據(jù)進(jìn)行緩沖區(qū)制作——保存緩沖區(qū)圖層——分別使用空間關(guān)聯(lián)把餐廳數(shù)據(jù)關(guān)聯(lián)到上海街鎮(zhèn)和房源緩沖區(qū)圖層中——并分別保存圖層……

好了好了，我已經(jīng)說(shuō)不下去了，我們來(lái)看看代碼怎么解決吧~

▼

 導(dǎo)入數(shù)據(jù)

先導(dǎo)入各種包

import pandas as pd
import geopandas as gpd
from shapely import geos
from shapely.geometry import Point
import fiona
import matplotlib.pyplot as plt
from fiona.crs import from_epsg,from_string

我們來(lái)觀察下python中用到的地理處理工具包的名字：Geopandas. 顧名思義，這個(gè)包可以讓我們像使用pandas一樣處理地理數(shù)據(jù)，大家可以想象一下這過(guò)程，一定如絲般順滑！

Geopandas其實(shí)是各種地理數(shù)據(jù)分析包的集大成者，包括shapely,Fiona等,當(dāng)然還有數(shù)據(jù)分析相關(guān)的包numpy,pandas，所以，在這些提及的包中的功能，都可以混合使用，切換不留痕跡。這里就一并導(dǎo)入了。

導(dǎo)入地圖shp

shanghai_map = gpd.GeoDataFrame.from_file('./上海街鎮(zhèn)/上海街鎮(zhèn).shp') #讀取shapfile數(shù)據(jù)為geodataframe格式

Geopandas提供了一種數(shù)據(jù)格式叫GeoDataFrame，用直白的話概括就是DataFrame加了一列數(shù)據(jù)，表達(dá)地理信息。導(dǎo)入功能Geopandas底層調(diào)用的是Fiona包，所以，一些基本參數(shù)和可以導(dǎo)入的數(shù)據(jù)格式，可以參考Fiona的說(shuō)明文檔。

 查看導(dǎo)入后的數(shù)據(jù)

和DataFrame如出一轍，但多了一列Geometry來(lái)存放地理信息，繪圖看一下：

嗯！是長(zhǎng)這樣！

接下來(lái)，導(dǎo)入房源和餐廳數(shù)據(jù)

 *這兩份數(shù)據(jù)是CSV格式，導(dǎo)入成DataFrame，我們發(fā)現(xiàn)數(shù)據(jù)中含有經(jīng)緯度字段，我們可以根據(jù)這兩個(gè)字段，也把數(shù)據(jù)轉(zhuǎn)換成GeoDataFrame格式

通過(guò)經(jīng)緯度轉(zhuǎn)換點(diǎn)數(shù)據(jù)：

def point_to_geo(df,lon,lat):
    df['geometry'] = gpd.GeoSeries(list(zip(df[lon],df[lat]))).apply(Point) #識(shí)別經(jīng)緯度，轉(zhuǎn)換點(diǎn)數(shù)據(jù)
    df = gpd.GeoDataFrame(df) #轉(zhuǎn)換Geodataframe格式
    df.crs = {'init':'epsg:4326'} #定義坐標(biāo)系WGS84
    del df[lon]
    del df[lat]
    return df


house_data = point_to_geo(house_data,'lon_WGS','lat_WGS') #轉(zhuǎn)換Geodataframe格式
restaurant_data = point_to_geo(restaurant_data,'lon_WGS','lat_WGS') #轉(zhuǎn)換Geodataframe格式

*官方文檔請(qǐng)看這里：

繪圖，看看成功與否——以上海街鎮(zhèn)為底圖，兩份點(diǎn)數(shù)據(jù)疊加在底圖上

base = shanghai_map.plot(color='lightyellow',edgecolor='black',figsize=(15, 15)) #畫底圖
restaurant_data.plot(ax=base,marker='o', color='green', markersize=5) #在底圖上疊加餐廳點(diǎn)數(shù)據(jù)
house_data.plot(ax=base,marker='o', color='red', markersize=5) #在底圖上疊加房源點(diǎn)數(shù)據(jù)
plt.gca().xaxis.set_major_locator(plt.NullLocator())#去掉x軸刻度
plt.gca().yaxis.set_major_locator(plt.NullLocator())#去掉y軸刻度
plt.savefig('./map.png',dpi=400) #保存圖片

*這里設(shè)置下圖形的基本參數(shù)，畫圖功能是基于matplotlib，所以它的一些寫法和功能是通用的。

 顯示OK，那么就進(jìn)入核心環(huán)節(jié)~

▼

 分析過(guò)程

在制作緩沖區(qū)和空間關(guān)聯(lián)之前，先需要對(duì)圖形進(jìn)行投影變換，這里仍然寫一個(gè)函數(shù)：

def wgs84_to_CGCS2000(df,code):
    result = df.to_crs(from_epsg(code))
    return result

shanghai_map_pcs = wgs84_to_CGCS2000(shanghai_map,4549)
house_data_pcs = wgs84_to_CGCS2000(house_data,4549)
restaurant_data_pcs = wgs84_to_CGCS2000(restaurant_data,4549)

*只要知道投影坐標(biāo)系的ESPG代碼，就可以任意轉(zhuǎn)換，我們使用GSC2000坐標(biāo)系。

接著，構(gòu)建緩沖區(qū)圖層，使用buffer()方法，參數(shù)為緩沖區(qū)的半徑。

house_data_buffer = house_data_pcs.buffer(1000) #建立一公里緩沖區(qū)

base = shanghai_map_pcs.plot(color='lightyellow',edgecolor='black',figsize=(15, 15))
house_data_buffer.plot(ax=base,color='gray', markersize=5,alpha=0.5)
plt.gca().xaxis.set_major_locator(plt.NullLocator()) #去掉x軸刻度
plt.gca().yaxis.set_major_locator(plt.NullLocator()) #去年y軸刻度
plt.savefig('./map2.png',dpi=400) #保存圖片

構(gòu)建完成，同樣輸出成地圖查看效果：

增加了透明度，我們可以看到市中心的房源密度較高。生成的數(shù)據(jù)為GeoSeries，數(shù)據(jù)為緩沖區(qū)的地理信息。這里需要使用任意方法把地理信息和其他字段匹配在一起。

buffer_temp = house_data_pcs[['name','geometry']]
buffer_temp['geometry'] = house_data_buffer
house_data_buffer = buffer_temp

下面，我們使用空間關(guān)聯(lián)，連接餐廳點(diǎn)數(shù)據(jù)，并獲取餐廳的個(gè)數(shù)。

spacial_join_restaurant = gpd.sjoin(house_data_buffer,restaurant_data_pcs,how='left',op='contains') #空間連接
spacial_join_restaurant = spacial_join_restaurant.groupby(['name']).count()['title'].to_frame().reset_index() #聚合計(jì)算個(gè)數(shù)
spacial_join_restaurant.columns = ['name','restaurant_count'] #更改列名，方便操作
buffer_result = pd.merge(house_data_pcs,spacial_join_restaurant,left_on='name',right_on='name',how='left') #字段匹配

 *方法是sjoin()，功能和GIS相同，分相交，包含和被包含三種。我們使用包含進(jìn)行連接，并使用pandas的groupby()方法分組計(jì)數(shù)。

這樣我們就完成了空間關(guān)聯(lián)和計(jì)算，我們可以使用地圖顯示，并添加圖例：

base = shanghai_result.plot(column='restaurant_count', cmap='Oranges',scheme = 'fisher_jenks'
                             ,legend=True,edgecolor='black',figsize=(15, 15)) #按個(gè)數(shù)多少疊加底色
plt.gca().xaxis.set_major_locator(plt.NullLocator()) #去掉x軸刻度
plt.gca().yaxis.set_major_locator(plt.NullLocator()) #去年y軸刻度
plt.savefig('./map3.png',dpi=400) #保存圖片

這樣就可以繪制出以街鎮(zhèn)為單位的點(diǎn)密度圖：

最后，我們需要把數(shù)據(jù)導(dǎo)出保存。我們可以保存為shapfile格式，這里推薦大家直接保存為csv格式，方便分享。也可以根據(jù)需要，轉(zhuǎn)成任意格式。

shanghai_result = wgs84_to_CGCS2000(shanghai_result,4326) #轉(zhuǎn)換成地理坐標(biāo)系
shanghai_result.columns = ['town','region','geometry','restaurant_count'] #更改列名為英文，因?yàn)閿?shù)據(jù)保存對(duì)中文支持不佳
buffer_result = wgs84_to_CGCS2000(buffer_result,4326) #轉(zhuǎn)換成地理坐標(biāo)系

shanghai_result.to_csv('./result/shanghai_result.csv') #保存成csv
shanghai_result.to_file('./result/shanghai_result.shp') #保存成shapfile
buffer_result.to_csv('./result/buffer_result.csv') #保存成csv
buffer_result.to_file('./result/buffer_result.shp') #保存成shapfile

▼

 結(jié)果檢查

我們把保存的數(shù)據(jù)導(dǎo)入Arcgis，可以正常使用~太棒了！

以上是“python中如何使用Geopandas”這篇文章的所有內(nèi)容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內(nèi)容對(duì)大家有所幫助，如果還想學(xué)習(xí)更多知識(shí)，歡迎關(guān)注創(chuàng)新互聯(lián)-成都網(wǎng)站建設(shè)公司行業(yè)資訊頻道！

新聞名稱：python中如何使用Geopandas-創(chuàng)新互聯(lián)
路徑分享：http://www.2m8n56k.cn/article15/csiodi.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供軟件開發(fā)、網(wǎng)頁(yè)設(shè)計(jì)公司、全網(wǎng)營(yíng)銷推廣、外貿(mào)網(wǎng)站建設(shè)、網(wǎng)站收錄、營(yíng)銷型網(wǎng)站建設(shè)

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請(qǐng)盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如需處理請(qǐng)聯(lián)系客服。電話：028-86922220；郵箱：[email protected]。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來(lái)源： 創(chuàng)新互聯(lián)