溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
這篇文章主要為大家展示了“python中如何使用Geopandas”，內容簡而易懂，條理清晰，希望能夠幫助大家解決疑惑，下面讓小編帶領大家一起研究并學習一下“python中如何使用Geopandas”這篇文章吧。
關鍵詞：Python Geopandas 空間數據分析
本文講述了借助Python語言和Geopandas工具包完成一個空間數據分析操作的過程~
作為一名程序員兼職業余空間數據分析師，空間數據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、包羅萬象的功能，已經能解決日常工作中幾乎所有問題，但對于身為程序員的我來說，一切不能用鍵盤上26個字母解決的問題，都是不科學的~所以這些年我一直致力于思考一個問題，如何把Arcgis的功能，用代碼的方式實現。
我了解到，Geopandas是一個極好的工具，今天我們就以一個案例來管窺一二。
▼
數據準備&任務明確
我有一張上海的街鎮地圖，一份上海的房源數據和一份上海餐廳數據。
今天，我們需要制作每一個房源的1KM緩沖區，計算緩沖區內有多少家餐廳，并且計算上海每個街鎮內有多少家餐廳，然后繪制在地圖上展示。
這是一個理論上簡單但操作繁瑣的過程，有些同學可能已經知道GIS的操作：
導入地圖數據——導入兩份EXCEL——并關聯經緯度——獲得點數據——并保存點數據圖層——然后對房源點數據進行緩沖區制作——保存緩沖區圖層——分別使用空間關聯把餐廳數據關聯到上海街鎮和房源緩沖區圖層中——并分別保存圖層……
好了好了，我已經說不下去了，我們來看看代碼怎么解決吧~
▼
導入數據
先導入各種包
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，這個包可以讓我們像使用pandas一樣處理地理數據，大家可以想象一下這過程，一定如絲般順滑！
Geopandas其實是各種地理數據分析包的集大成者，包括shapely,Fiona等,當然還有數據分析相關的包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。這里就一并導入了。
導入地圖shp
shanghai_map = gpd.GeoDataFrame.from_file('./上海街鎮/上海街鎮.shp') #讀取shapfile數據為geodataframe格式
Geopandas提供了一種數據格式叫GeoDataFrame，用直白的話概括就是DataFrame加了一列數據，表達地理信息。導入功能Geopandas底層調用的是Fiona包，所以，一些基本參數和可以導入的數據格式，可以參考Fiona的說明文檔。
查看導入后的數據
和DataFrame如出一轍，但多了一列Geometry來存放地理信息，繪圖看一下：
嗯！是長這樣！
接下來，導入房源和餐廳數據
*這兩份數據是CSV格式，導入成DataFrame，我們發現數據中含有經緯度字段，我們可以根據這兩個字段，也把數據轉換成GeoDataFrame格式
通過經緯度轉換點數據：
def point_to_geo(df,lon,lat):
df['geometry'] = gpd.GeoSeries(list(zip(df[lon],df[lat]))).apply(Point) #識別經緯度，轉換點數據
df = gpd.GeoDataFrame(df) #轉換Geodataframe格式
df.crs = {'init':'epsg:4326'} #定義坐標系WGS84
del df[lon]
del df[lat]
return df
house_data = point_to_geo(house_data,'lon_WGS','lat_WGS') #轉換Geodataframe格式
restaurant_data = point_to_geo(restaurant_data,'lon_WGS','lat_WGS') #轉換Geodataframe格式
*官方文檔請看這里：
繪圖，看看成功與否——以上海街鎮為底圖，兩份點數據疊加在底圖上
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數據
house_data.plot(ax=base,marker='o', color='red', markersize=5) #在底圖上疊加房源點數據
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
*這里設置下圖形的基本參數，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，那么就進入核心環節~
▼
分析過程
在制作緩沖區和空間關聯之前，先需要對圖形進行投影變換，這里仍然寫一個函數：
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)
*只要知道投影坐標系的ESPG代碼，就可以任意轉換，我們使用GSC2000坐標系。
接著，構建緩沖區圖層，使用buffer()方法，參數為緩沖區的半徑。
house_data_buffer = house_data_pcs.buffer(1000) #建立一公里緩沖區
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。生成的數據為GeoSeries，數據為緩沖區的地理信息。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，我們使用空間關聯，連接餐廳點數據，并獲取餐廳的個數。
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() #聚合計算個數
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。我們使用包含進行連接，并使用pandas的groupby()方法分組計數。
這樣我們就完成了空間關聯和計算，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)) #按個數多少疊加底色
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為單位的點密度圖：
最后，我們需要把數據導出保存。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。也可以根據需要，轉成任意格式。
shanghai_result = wgs84_to_CGCS2000(shanghai_result,4326) #轉換成地理坐標系
shanghai_result.columns = ['town','region','geometry','restaurant_count'] #更改列名為英文，因為數據保存對中文支持不佳
buffer_result = wgs84_to_CGCS2000(buffer_result,4326) #轉換成地理坐標系
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
▼
結果檢查
我們把保存的數據導入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，希望分享的內容對大家有所幫助，如果還想學習更多知識，歡迎關注億速云行業資訊頻道！
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
