python 地理信息

python 地理信息

在python中，我们通常使用seaborn或者matplotlib来进行数据的可视化。但在涉及到地理位置信息的可视化问题时，python中的geopandas模块可以帮助我们更加快速的生成想要的图片。

这里我们以geopandas内置的世界数据为例

首先导入所需的包，读取世界数据：

import geopandas as gpimport foliumimport matplotlib.pyplot as pltfrom cartopy import crs as ccrs%matplotlib inlinegp_world = gp.read_file(_path('naturalearth_lowres'))#首先观察数据的前几行gp_world.head()

世界数据

读取城市数据：gp_cities = gp.read_file(_path('naturalearth_cities'))gp_cities.head()

城市数据

绘制出世界地图：

ax = gp_world.plot()

世界地图

绘制除去南极洲外的数据：mask = (gp_world['name'] != 'Antarctica') & (gp_world['pop_est'] > 0)gp_world = gp_world[mask]ax = gp_world.plot()

世界地图(除南极洲)

绘制世界人口分布：

fig, ax = plt.subplots(figsize=(9, 9))ax = gp_world.plot(ax=ax, column='pop_est')

世界人口分布

绘制世界人均GDP：#计算人均GDPgp_world['gdp_per_cap'] = gp_world.gdp_md_est / gp_world.pop_estfig, ax = plt.subplots(figsize=(12, 12))ax = gp_world.plot(ax=ax, column='gdp_per_cap', cmap='inferno_r', edgecolor='k', lw=0.2)#关闭坐标轴ax.axis('off')plt.show()

世界人均GDP分布

绘制国家轮廓及城市地理位置：

fig, ax = plt.subplots(figsize=(12, 12))#画出国家的轮廓ax = gp_world.plot(ax=ax, color='w', edgecolor='#aaaaaa', lw=1)#画出城市的位置ax = gp_cities.plot(ax=ax, color='none', edgecolor='#003366', lw=2, alpha=0.7)#关闭坐标轴ax.axis('off')plt.show()

城市与国家

将两个数据集合并，绘制出城市分布：#将两个数据集合并gp_cities_countries = gp.sjoin(gp_cities, gp_world, how='inner', op='within')fig, ax = plt.subplots(figsize=(12, 12))ax = gp_world.plot(ax=ax, color='#eeeeee', edgecolor='#999999', lw=1)ax = gp_cities_countries.plot(ax=ax, column='gdp_per_cap', cmap='inferno_r', edgecolor='k', lw=1, alpha=0.8)ax.axis('off')plt.show()

合并后的城市与国家

使用不同的colormap绘图：

cmaps = ['viridis', 'plasma', 'inferno', 'YlOrRd', 'YlGnBu', 'summer', 'autumn', 'bone', 'RdPu']fig, axes = plt.subplots(3, 3, figsize=(12, 8), facecolor='#333333')for cmap, ax in zip(cmaps, axes.flatten()): ax = gp_world.plot(ax=ax, cmap=cmap) ax.set_title(cmap, color='w') ax.axis('off')plt.show()

不同的colormap效果

通过观察数据集，我们可以看到geopandas模块主要是通过geometry这一特征来进行地图的绘制。其中主要的类有Point，LineString，Polygon，MultiPoint，MultiLineString，MultiPolygon等。

当我们拿到一个涉及经纬信息的数据集时，我们就可以构造geometry，来进行信息的可视化

例如：ry import Pointlng = housing_plot['longitude']lat= housing_plot['latitude']pts = gpd.GeoSeries([Point(x, y) for x, y in zip(lng, lat)])pts.plot(markersize=0.1)

绘制数据信息

然后也可以将上图与地图相结合：

数据+地图

加州的top1000房价地理位置