基于地理特征类可视化图像的总结

目录
1.蜂窝热力图
2.变形地图
3.关联地图
4.气泡地图
5.choropleth地图
6.三维地理散点图
图表总结对比

以下是对地理特征类可视化图像的总结，涵盖蜂窝热力地图、变形地图等6种图表：

1. 蜂窝热力地图（Hexbin Map）

特点：

• 用六边形网格（蜂窝）划分地理区域，通过颜色深浅表示数据密度，兼具热力图的直观性和空间分布的规律性。
• 适合展示连续型数据的空间聚集特征，避免点重叠问题。

应用场景：

• 城市人口密度分析、交通流量热点识别、商业网点分布评估。
  Python实现（基于Matplotlib）：

import numpy as np
import matplotlib.pyplot as plt

# 生成模拟数据（经度、纬度、数值）
np.random.seed(0)
n = 1000
lon = np.random.uniform(-122.5, -122.3, n)  # 旧金山湾区模拟经度
lat = np.random.uniform(37.7, 37.85, n)     # 模拟纬度
values = np.random.randn(n) + 2            # 模拟数值

# 创建蜂窝热力地图
plt.figure(figsize=(10, 6))
hexbin = plt.hexbin(lon, lat, C=values, gridsize=30, cmap='viridis', edgecolor='white')
plt.colorbar(hexbin, label='Value Density')
plt.xlabel('Longitude')
plt.ylabel('Latitude')
plt.title('Hexbin Map - Simulated Data')
plt.gca().set_aspect('equal', adjustable='box')
plt.show()

结果示例：

2. 变形地图（Cartogram）

特点：

• 根据属性数据（如人口、GDP）放大或缩小地理区域的面积，形状可能变形，但保持区域相对位置。
• 突出数据差异，弱化地理实际尺寸，适合对比区域间的数值差异。

应用场景：

• 选举结果可视化（人口加权）、经济指标区域对比、疾病传播范围与人口密度关联分析。

Python实现（基于PySAL）：

import geopandas as gpd
import matplotlib.pyplot as plt
import numpy as np
from shapely.geometry import Polygon, MultiPolygon, Point

# 加载示例数据（美国各州）
try:
    # 尝试使用contextily获取地图数据
    import contextily as ctx

    usa = gpd.read_file(gpd.datasets.get_path('naturalearth_lowres')).query("name == 'United States of America'")
    if usa.empty:
        # 如果数据为空，创建简单的示例几何
        usa = gpd.GeoDataFrame({
            'name': ['USA'],
            'geometry': [Polygon([(-125, 25), (-125, 50), (-65, 50), (-65, 25)])]
        }, crs='EPSG:4326')
except:
    # 备选：创建简单的示例几何
    usa = gpd.GeoDataFrame({
        'name': ['USA'],
        'geometry': [Polygon([(-125, 25), (-125, 50), (-65, 50), (-65, 25)])]
    }, crs='EPSG:4326')

# 添加模拟数据用于变形
usa['value'] = np.random.randint(1, 10, len(usa))


def create_cartogram(geo_df, value_col, scale_factor=5):
    """创建基于数值的变形地图"""
    # 转换为投影坐标系以进行面积计算
    projected_df = geo_df.to_crs(epsg=3857)  # Web Mercator投影

    # 计算原始面积
    projected_df['original_area'] = projected_df.geometry.area

    # 基于值计算缩放因子
    max_value = projected_df[value_col].max()
    projected_df['scale'] = projected_df[value_col] / max_value * scale_factor

    # 创建变形后的几何
    cartogram_geoms = []
    for idx, row in projected_df.iterrows():
        geom = row.geometry
        centroid = geom.centroid

        # 根据值调整每个点到中心的距离
        if isinstance(geom, Polygon):
            new_coords = []
            for x, y in geom.exterior.coords:
                # 计算与中心的距离和角度
                dx = x - centroid.x
                dy = y - centroid.y
                distance = np.sqrt(dx ** 2 + dy ** 2)

                # 根据值缩放距离
                new_distance = distance * row['scale']

                # 计算新坐标
                angle = np.arctan2(dy, dx)
                new_x = centroid.x + new_distance * np.cos(angle)
                new_y = centroid.y + new_distance * np.sin(angle)
                new_coords.append((new_x, new_y))

            new_poly = Polygon(new_coords)
            cartogram_geoms.append(new_poly)

        elif isinstance(geom, MultiPolygon):
            new_polygons = []
            for poly in geom.geoms:
                new_coords = []
                for x, y in poly.exterior.coords:
                    dx = x - centroid.x
                    dy = y - centroid.y
                    distance = np.sqrt(dx ** 2 + dy ** 2)
                    new_distance = distance * row['scale']
                    angle = np.arctan2(dy, dx)
                    new_x = centroid.x + new_distance * np.cos(angle)
                    new_y = centroid.y + new_distance * np.sin(angle)
                    new_coords.append((new_x, new_y))

                new_poly = Polygon(new_coords)
                new_polygons.append(new_poly)

            new_multi = MultiPolygon(new_polygons)
            cartogram_geoms.append(new_multi)

    # 创建变形后的GeoDataFrame
    cartogram_df = gpd.GeoDataFrame(
        projected_df.drop(columns=['geometry']),
        geometry=cartogram_geoms,
        crs=projected_df.crs
    )

    # 转换回WGS 84坐标系
    return cartogram_df.to_crs(epsg=4326)


def mirror_geometry(geo_df, axis='vertical'):
    """镜像几何图形（垂直或水平）"""
    mirrored_geoms = []

    for geom in geo_df.geometry:
        if axis == 'vertical':  # 垂直镜像（左右翻转）
            if isinstance(geom, Polygon):
                new_coords = [(-x, y) for x, y in geom.exterior.coords]
                mirrored_geoms.append(Polygon(new_coords))
            elif isinstance(geom, MultiPolygon):
                new_polygons = []
                for poly in geom.geoms:
                    new_coords = [(-x, y) for x, y in poly.exterior.coords]
                    new_polygons.append(Polygon(new_coords))
                mirrored_geoms.append(MultiPolygon(new_polygons))

        elif axis == 'horizontal':  # 水平镜像（上下翻转）
            if isinstance(geom, Polygon):
                new_coords = [(x, -y) for x, y in geom.exterior.coords]
                mirrored_geoms.append(Polygon(new_coords))
            elif isinstance(geom, MultiPolygon):
                new_polygons = []
                for poly in geom.geoms:
                    new_coords = [(x, -y) for x, y in poly.exterior.coords]
                    new_polygons.append(Polygon(new_coords))
                mirrored_geoms.append(MultiPolygon(new_polygons))

    # 创建镜像后的GeoDataFrame
    return gpd.GeoDataFrame(
        geo_df.drop(columns=['geometry']),
        geometry=mirrored_geoms,
        crs=geo_df.crs
    )


# 创建变形地图
cartogram = create_cartogram(usa, 'value')

# 创建镜像版本
cartogram_mirrored = mirror_geometry(cartogram, axis='vertical')

# 可视化
fig, axes = plt.subplots(1, 2, figsize=(15, 8))

# 原始地图
usa.plot(ax=axes[0], column='value', cmap='viridis', legend=True)
axes[0].set_title('Original Map')
axes[0].set_axis_off()

# 变形+镜像地图
cartogram_mirrored.plot(ax=axes[1], column='value', cmap='viridis', legend=True)
axes[1].set_title('Cartogram (Mirrored Vertically)')
axes[1].set_axis_off()

plt.tight_layout()
plt.show()

结果示例：

3. 关联地图（Association Map）

特点：

• 通过连线或箭头表示不同地理实体之间的关联（如贸易流、人口迁移、交通路线），可叠加流向强度（线宽/颜色）。
• 强调空间交互关系，适合展示网络数据或流动特征。

应用场景：

• 国际贸易路线可视化、城市间通勤流量分析、物流配送网络展示。

Python实现（基于NetworkX和Matplotlib）：

import networkx as nx
import matplotlib.pyplot as plt
import cartopy.crs as ccrs
import cartopy.feature as cfeature

# 创建节点（经纬度坐标）
nodes = {
    'A': (-122.4, 37.8),   # 旧金山
    'B': (-74.0, 40.7),    # 纽约
    'C': (-118.2, 34.0)    # 洛杉矶
}
# 创建边（关联强度）
edges = [('A', 'B', 50), ('A', 'C', 30), ('B', 'C', 40)]

# 创建图形
plt.figure(figsize=(10, 6))
ax = plt.axes(projection=ccrs.PlateCarree())

# 添加地理特征
ax.add_feature(cfeature.LAND)
ax.add_feature(cfeature.OCEAN)
ax.add_feature(cfeature.COASTLINE)
ax.add_feature(cfeature.STATES, linewidth=0.5)
ax.add_feature(cfeature.BORDERS)

# 设置地图范围
ax.set_extent([-130, -65, 25, 50], crs=ccrs.PlateCarree())

# 创建网络图
G = nx.Graph()
G.add_nodes_from(nodes.keys())
G.add_weighted_edges_from(edges)

# 使用经纬度坐标
pos = {node: coords for node, coords in nodes.items()}

# 绘制节点和边
nx.draw_networkx_nodes(
    G, pos, node_size=500, node_color='skyblue', alpha=0.8, ax=ax)
nx.draw_networkx_labels(
    G, pos, font_size=10, font_family='sans-serif', ax=ax)

# 根据权重调整边的宽度
edge_widths = [d["weight"]/10 for _, _, d in G.edges(data=True)]
nx.draw_networkx_edges(
    G, pos, width=edge_widths, edge_color='gray', alpha=0.6, ax=ax)

# 添加边的权重标签
edge_labels = {(u, v): d["weight"] for u, v, d in G.edges(data=True)}
nx.draw_networkx_edge_labels(
    G, pos, edge_labels=edge_labels, font_size=9, ax=ax)

plt.title('Association Map - City Connections')
plt.tight_layout()
plt.show()

结果示例：

4. 气泡地图（Bubble Map）

特点：

• 用气泡（圆）的大小表示数值变量，位置对应地理坐标，颜色可表示分类变量。
• 直观展示“点-值”对应关系，适合多变量地理数据可视化。

应用场景：

• 城市GDP与人口对比、企业分支机构规模展示、灾害损失区域分布。

Python实现（基于Plotly）：

import plotly.express as px
import pandas as pd

# 生成模拟数据
data = pd.DataFrame({
    'city': ['New York', 'London', 'Tokyo', 'Sydney'],
    'lat': [40.7128, 51.5074, 35.6895, -33.8688],
    'lon': [-74.0060, -0.1278, 139.6917, 151.2093],
    'gdp': [1.8, 0.9, 1.6, 0.5],  # 万亿美元
    'continent': ['North America', 'Europe', 'Asia', 'Australia']
})

# 创建气泡地图
fig = px.scatter_geo(
    data, 
    lat='lat', 
    lon='lon', 
    size='gdp', 
    color='continent', 
    hover_name='city',
    size_max=30,
    projection='natural earth'
)
fig.update_layout(title='Bubble Map - Global City GDP')
fig.show()

结果示例：

5. choropleth地图（分级统计图）

特点：

• 按行政区域填充颜色或图案，颜色深浅表示属性值高低（如人均GDP、人口密度）。
• 适合展示面状数据的区域差异，简洁直观。

应用场景：

• 疫情感染率区域分布、选举结果州级展示、气候指标区域对比。

Python实现（基于Plotly）：

import plotly.express as px
import pandas as pd

# 加载美国各州数据（GDP per capita）
data = px.data.gapminder().query("year == 2007").sort_values('gdpPercap', ascending=False)
data['iso_alpha'] = data['iso_alpha'].where(data['continent'] == 'Americas', None)  # 仅保留美洲国家

# 创建choropleth地图
fig = px.choropleth(
    data, 
    locations='iso_alpha', 
    color='gdpPercap', 
    hover_name='country',
    color_continuous_scale='Viridis',
    range_color=(1000, 60000),
    projection='natural earth'  # 修改为正确的投影名称
)
fig.update_layout(title='Choropleth Map - GDP per Capita (2007, Americas)')
fig.show()    

结果示例：

6. 三维地理散点图（3D Geo-Scatter Plot）

特点：

• 在三维空间中用散点表示地理实体，x/y轴为经纬度，z轴为数值变量（如海拔、人口数量）。
• 增强空间层次感，适合多维度数据探索。

应用场景：

• 地形海拔与植被覆盖分析、城市高层建筑分布、大气污染物垂直分布。

Python实现（基于Matplotlib）：

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

# 生成模拟数据
np.random.seed(0)
n = 50
lon = np.random.uniform(-180, 180, n)
lat = np.random.uniform(-90, 90, n)
z = np.random.randint(0, 5000, n)  # 模拟海拔（米）

# 创建三维散点图
fig = plt.figure(figsize=(10, 6))
ax = fig.add_subplot(111, projection='3d')
scatter = ax.scatter(lon, lat, z, c=z, cmap='viridis', edgecolor='k', s=50)
plt.colorbar(scatter, label='Elevation (m)')
ax.set_xlabel('Longitude')
ax.set_ylabel('Latitude')
ax.set_zlabel('Elevation')
ax.set_title('3D Geo-Scatter Plot - Elevation Data')
plt.show()

结果示例：

图表总结对比

图表类型	核心特点	关键参数（Python）	典型工具库	数据类型
蜂窝热力地图	六边形网格表示密度	gridsize, cmap	Matplotlib	点数据（连续型）
变形地图	面积缩放反映属性值	数据源, 权重字段	PySAL, Geopandas	面数据（数值型）
关联地图	连线表示空间交互关系	节点坐标, 边权重	NetworkX, Matplotlib	网络数据（关系型）
气泡地图	气泡大小/颜色表示多变量	经纬度, 大小/颜色字段	Plotly, Folium	点数据（多变量）
Choropleth地图	区域颜色填充表示面数据	地理位置编码, 颜色字段	Plotly, GeoPandas	面数据（分级型）
三维地理散点图	三维空间多维度展示	经纬度, z轴变量	Matplotlib	点数据（三维型）

总结：
地理特征可视化需根据数据类型（点/面/网络）和分析目标（分布/关联/差异）选择图表。Python中常用工具包括Matplotlib（基础绘图）、Plotly（交互式可视化）、Geopandas/PySAL（地理空间分析），可灵活组合实现复杂地理图表。