本文主要介绍GeoPandas结合matplotlib实现地图的基础可视化。GeoPandas是一个Python开源项目,旨在提供丰富而简单的地理空间数据处理接口。GeoPandas扩展了Pandas的数据类型,并使用matplotlib进行绘图。GeoPandas官方仓库地址为:GeoPandas。GeoPandas的官方文档地址为:GeoPandas-doc。关于GeoPandas的使用见
GeoPandas推荐使用Python3.7版本及以上,运行环境最好是linux系统。GeoPandas安装命令如下:
pip install geopandas
如果上述命令安装出问题,则推荐使用conda安装GeoPandas,命令如下:
conda install geopandas
或:
conda install --channel conda-forge geopand
| # jupyter notebook环境去除warning |
| import warnings |
| warnings.filterwarnings("ignore") |
| |
| # 查看geopandas版本 |
| import geopandas as gpd |
| |
| gpd.__version__ |
1 基础绘图
1.1 绘图接口说明
GeoPandas基于matplotlib库封装高级接口用于制作地图,GeoSeries或GeoDataFrame对象都提供了plot函数以进行对象可视化。与GeoSeries对象相比,GeoDataFrame对象提供的plot函数在参数上更为复杂,也更为常用。
GeoDataFrame对象提供的plot函数的常用输入参数如下:
| def GeoDataFrame.plot( |
| column: str, np.array, pd.Series (default None), # 用于绘图的列名或数据列 |
| kind: str, # 绘图类型 |
| cmap: str, # matplotlib的颜色图Colormaps |
| color: str, np.array, pd.Series (default None), # 指定所有绘图对象的统一颜色 |
| ax: matplotlib.pyplot.Artist (default None), # 指定matplotlib的绘图轴 |
| cax: matplotlib.pyplot Artist (default None), # 设置图例的坐标轴 |
| categorical: bool (default False), # 是否按照类别设置对象颜色 |
| legend: bool (default False), # 是否显示图例,如果column或color参数未赋值,则此参数无效 |
| scheme: str (default None), # 用于控制分层设色 |
| k:int (default 5), # scheme的层次数 |
| vmin:None or float (default None), # 图例cmap的最小值 |
| vmax:None or float (default None), # 图例cmap的最大值 |
| markersize:str or float or sequence (default None), # 绘图点的大小 |
| figsize: tuple of integers (default None), # 用于控制matplotlib.figure.Figure |
| legend_kwds: dict (default None), # matplotlib图例参数 |
| missing_kw: dsdict (default None), # 缺失值区域绘制参数 |
| aspect:‘auto’, ‘equal’, None or float (default ‘auto’), # 设置绘图比例 |
| **style_kwds: dict, # 其他参数,如对象边界色edgecolor, 对象填充色facecolor, 边界宽linewidth,透明度alpha |
| )->ax: matplotlib axes instance |
GeoSeries对象提供的plot函数的常用输入参数如下:
| def GeoSeries.plot( |
| s: Series, # GeoSeries对象 |
| cmap: str (default None), |
| color: str, np.array, pd.Series, List (default None), |
| ax: matplotlib.pyplot.Artist (default None), |
| figsize: pair of floats (default None), |
| aspect: ‘auto’, ‘equal’, None or float (default ‘auto’), |
| **style_kwds: dict |
| )->ax: matplotlib axes instance |
| |
想要更好使用以上参数最好熟悉matplotlib,如有不懂可以查阅matplotlib文档。下面简要介绍GeoPandas中绘图函数的使用。
读取数据集
| import geopandas as gpd |
| # 读取自带世界地图数据集 |
| world = gpd.read_file(gpd.datasets.get_path('naturalearth_lowres')) |
| # 人口,大洲,国名,国家缩写,ISO国家代码,gdp,地理位置数据 |
| world.head() |
| |
| pop_est | continent | name | iso_a3 | gdp_md_est | geometry |
---|
0 | 920938 | Oceania | Fiji | FJI | 8374.0 | MULTIPOLYGON (((180.00000 -16.06713, 180.00000... |
---|
1 | 53950935 | Africa | Tanzania | TZA | 150600.0 | POLYGON ((33.90371 -0.95000, 34.07262 -1.05982... |
---|
2 | 603253 | Africa | W. Sahara | ESH | 906.5 | POLYGON ((-8.66559 27.65643, -8.66512 27.58948... |
---|
3 | 35623680 | North America | Canada | CAN | 1674000.0 | MULTIPOLYGON (((-122.84000 49.00000, -122.9742... |
---|
4 | 326625791 | North America | United States of America | USA | 18560000.0 | MULTIPOLYGON (((-122.84000 49.00000, -120.0000... |
---|
| <matplotlib.axes._subplots.AxesSubplot at 0x7f17b270fe10> |
| # 读取自带世界各大城市数据集 |
| cities = gpd.read_file(gpd.datasets.get_path('naturalearth_cities')) |
| # 名字,地理位置数据 |
| cities.head() |
| name | geometry |
---|
0 | Vatican City | POINT (12.45339 41.90328) |
---|
1 | San Marino | POINT (12.44177 43.93610) |
---|
2 | Vaduz | POINT (9.51667 47.13372) |
---|
3 | Luxembourg | POINT (6.13000 49.61166) |
---|
4 | Palikir | POINT (158.14997 6.91664) |
---|
分区统计图
GeoPandas可以轻松创建分区统计图(每个形状的颜色基于关联变量值的地图)。只需在plot函数中将参数column设置为要用于指定颜色的列。
| # 去除南极地区 |
| world = world[(world.pop_est>0) & (world.name!="Antarctica")] |
| # 计算人均gpd |
| world['gdp_per_cap'] = world.gdp_md_est / world.pop_est |
| # 绘图 |
| world.plot(column='gdp_per_cap') |
| <matplotlib.axes._subplots.AxesSubplot at 0x7f17b241f390> |
![png](https://img-blog.csdnimg.cn/img_convert/6ce3de8d02560e314ddae7cf68362530.png)
图例设置
legend=True即可展示图例。
| import matplotlib.pyplot as plt |
| |
| fig, ax = plt.subplots(1, 1) |
| # 根据人口绘图数绘制 |
| world.plot(column='pop_est', ax=ax, legend=True) |
| <matplotlib.axes._subplots.AxesSubplot at 0x7f17b23585d0> |
![png](https://img-blog.csdnimg.cn/img_convert/184b70fff58009aa76429d092aed084f.png)
但是我们会发现绘图区域和图例区域不对齐,我们通过mpl_toolkits设置图例轴,并通过cax参数直接控制plot函数的图例绘制。
| from mpl_toolkits.axes_grid1 import make_axes_locatable |
| |
| fig, ax = plt.subplots(1, 1) |
| |
| divider = make_axes_locatable(ax) |
| |
| # 设置图例,right表示位置,size=5%表示图例宽度,pad表示图例离图片间距 |
| cax = divider.append_axes("right", size="5%", pad=0.2) |
| |
| world.plot(column='pop_est', ax=ax, legend=True, cax=cax) |
| <matplotlib.axes._subplots.AxesSubplot at 0x7f17b21de650> |
![png](https://img-blog.csdnimg.cn/img_convert/a3c84730c8724862d6b99ada317ad4ad.png)
此外我们可以通过legend_kwds设置图例信息和方向,就像matplotlib那样。
| import matplotlib.pyplot as plt |
| |
| fig, ax = plt.subplots(1, 1) |
| |
| world.plot(column='pop_est', |
| ax=ax, |
| legend=True, |
| legend_kwds={'label': "Population by Country and Area", |
| 'orientation': "horizontal"}) |
| <matplotlib.axes._subplots.AxesSubplot at 0x7f17b20ec110> |
![png](https://img-blog.csdnimg.cn/img_convert/7ae39c87f7ccca6e119933ddc9f65539.png)
颜色设置
GeoPandas的绘图函数中通过cmap参数设置颜色图,具体cmap参数的设置可以见matplotlib颜色图选择教程。
| # 设置颜色图为tab20 |
| world.plot(column='gdp_per_cap', cmap='tab20') |
| <matplotlib.axes._subplots.AxesSubplot at 0x7f17b205a490> |
![png](https://img-blog.csdnimg.cn/img_convert/bb94ef5b51e3795e9a52c429d80acaa7.png)
如果只想绘制边界,可以调用boundary属性进行绘制。
| <matplotlib.axes._subplots.AxesSubplot at 0x7f15ac1cecd0> |
![png](https://img-blog.csdnimg.cn/img_convert/577b1c2d841c8d56fd170ac766e04272.png)
缺失数据绘制
当绘制项某些地图的数据缺失时,GeoPandas会自动放弃这些区域数据的绘制。如下所示。将Africa地区的gdp_per_cap数据设置为确实,那么将不在地图上绘制Africa地区的图形。
| import numpy as np |
| |
| world.loc[world[world.continent=="Africa"].index, 'gdp_per_cap'] = np.nan |
| world.plot(column='gdp_per_cap') |
| <matplotlib.axes._subplots.AxesSubplot at 0x7f15ac0afe50> |
![png](https://img-blog.csdnimg.cn/img_convert/775ce1e0ccb9a61d163a39793eb4ae81.png)
如果我们想要在地图上展示缺失值的地区,可以通过missing_kwds设置相应的参数。如下所示:
| # 将缺失值地区颜色设置为lightgrey |
| world.plot(column='gdp_per_cap', missing_kwds={'color': 'lightgrey'}) |
| <matplotlib.axes._subplots.AxesSubplot at 0x7f15ac094250> |
![png](https://img-blog.csdnimg.cn/img_convert/6eb56c50956337ecd1224a046fa5ce82.png)
| # 更复杂的例子,hatch表示内部图像样式 |
| ax = world.plot(column='gdp_per_cap', missing_kwds={'color': 'lightgrey','edgecolor':'red',"hatch": "///","label": "Missing values"}) |
| # 不显示坐标轴 |
| ax.set_axis_off(); |
![png](https://img-blog.csdnimg.cn/img_convert/fce3043d4850c9f21fe2ad9e9c3943c9.png)
图层设置
当我们需要叠加多张地图或多个数据的结果,则需要用到地图的图层。GeoPandas提供了两种方式进行图层设置,但是要注意的是在合并地图之前,始终确保它们共享一个共同的坐标参考系crs。如将world地图和cities地图合并绘制。
| # 以world数据集为准,对齐crs |
| cities.plot(marker='*', color='green', markersize=5) |
| cities = cities.to_crs(world.crs) |
![png](https://img-blog.csdnimg.cn/img_convert/cb58f8255d2636b0225a405e42b20275.png)
第一种方式最为简单,直接通过ax参数控制绘图轴来实现图层叠加。
| # base为绘图轴 |
| base = world.plot(color='white', edgecolor='black') |
| |
| cities.plot(ax=base, marker='o', color='red', markersize=5); |
![png](https://img-blog.csdnimg.cn/img_convert/04db5b962cce3ad716c73bbafe0dc1b6.png)
第二种方式最为灵活,即通过matplotlib控制绘图。如果想要绘制更加美观的地图,这种方式更加推荐,但是需要了解matplotlib的使用。
| import matplotlib.pyplot as plt |
| |
| |
| # 设置绘图轴 |
| fig, ax = plt.subplots() |
| ax.set_aspect('equal') |
| |
| world.plot(ax=ax, color='white', edgecolor='black') |
| cities.plot(ax=ax, marker='o', color='red', markersize=5) |
| |
| plt.show() |
![png](https://img-blog.csdnimg.cn/img_convert/aab6309d580858327cdc9b675a7c63f4.png)
图层顺序控制
如果我们需要控制地图图层的展示顺序,即哪张图片显示在前。一种办法是通过绘图顺序设置,后绘制的数据的图层顺序越靠上。一种是通过zorder参数设置图层顺序,zorder值越大,表示图层顺序越靠上。如下所示:
| # cities先绘制,则图层顺序更靠下,导致一些数据点被world图层遮盖。 |
| ax = cities.plot(color='k') |
| |
| world.plot(ax=ax); |
![png](https://img-blog.csdnimg.cn/img_convert/370527fb36f026f56d938571f907f16e.png)
| # 调整绘图顺序,完整显示cities数据点 |
| ax = world.plot() |
| |
| cities.plot(ax=ax,color='k') |
| <matplotlib.axes._subplots.AxesSubplot at 0x7f159d535f10> |
![png](https://img-blog.csdnimg.cn/img_convert/9b95c13e24f69dd7695c88b4c1b596e1.png)
| # 通过zorder参数设置图层顺序,完整显示cities数据点 |
| ax = cities.plot(color='k',zorder=2) |
| |
| world.plot(ax=ax,zorder=1) |
| <matplotlib.axes._subplots.AxesSubplot at 0x7f159d4e8a10> |
![png](https://img-blog.csdnimg.cn/img_convert/b7b4db67ce322273fc9230b7eb241c38.png)
Pandas Plots
GeoPandas的Plot函数还允许设置kind参数绘制不同类型的图形,kind默认为geo(地图),其他可选参数与pandas默认提供的绘图函数一致。pandas默认提供的绘图函数见:Chart visualization。
| gdf = world.head(10) |
| |
| gdf.plot(kind='scatter', x="pop_est", y="gdp_md_est") |
| <matplotlib.axes._subplots.AxesSubplot at 0x7f159d5d69d0> |
![png](https://img-blog.csdnimg.cn/img_convert/12e299c979ebfe019e89cbb456cd4913.png)
1.2 绘图实例之中国地图绘制
1 读取地图数据
| import geopandas as gpd |
| import matplotlib.pyplot as plt |
| |
| # 读取中国地图数据,数据来自DataV.GeoAtlas,将其投影到EPSG:4573 |
| data = gpd.read_file('https://geo.datav.aliyun.com/areas_v3/bound/100000_full.json').to_crs('EPSG:4573') |
| # 中国有34个省级行政区,最后一条数据为南海九段线 |
| data.shape |
| # 保存各个省级行政区的面积,单位万平方公里 |
| data['area'] = data.area/1e6/1e4 |
| # 中国疆域总面积,和官方数据会有差距 |
| data['area'].sum() |
| adcode | name | adchar | childrenNum | level | parent | subFeatureIndex | geometry | area |
---|
30 | 650000 | 新疆维吾尔自治区 | NaN | 24.0 | province | {'adcode': 100000} | 30.0 | MULTIPOLYGON (((17794320.693 4768675.631, 1779... | 175.796459 |
---|
31 | 710000 | 台湾省 | NaN | 0.0 | province | {'adcode': 100000} | 31.0 | MULTIPOLYGON (((20103629.026 2566628.808, 2011... | 4.090259 |
---|
32 | 810000 | 香港特别行政区 | NaN | 18.0 | province | {'adcode': 100000} | 32.0 | MULTIPOLYGON (((19432072.340 2517924.724, 1942... | 0.125928 |
---|
33 | 820000 | 澳门特别行政区 | NaN | 8.0 | province | {'adcode': 100000} | 33.0 | MULTIPOLYGON (((19385068.278 2470740.132, 1939... | 0.004702 |
---|
34 | 100000_JD | | JD | NaN | NaN | NaN | NaN | MULTIPOLYGON (((20309263.208 2708129.155, 2032... | 0.280824 |
---|
| # 拆分数据 |
| nine_dotted_line = data.iloc[-1] |
| data = data[:-1] |
| nine_dotted_line |
| adcode 100000_JD |
| name |
| adchar JD |
| childrenNum NaN |
| level NaN |
| parent NaN |
| subFeatureIndex NaN |
| geometry MULTIPOLYGON (((20309263.208229765 2708129.154... |
| area 0.280824 |
| Name: 34, dtype: object |
2 地图绘制
| # 创建画布matplotlib |
| fig, ax = plt.subplots(figsize=(12, 9)) |
| # 绘制主要区域 |
| ax = data.plot(ax=ax) |
| # 绘制九段线 |
| ax = gpd.GeoSeries(nine_dotted_line.geometry).plot(ax=ax,edgecolor='red',linewidth=3) |
| # 保存结果 |
| fig.savefig('res.png', dpi=300, bbox_inches='tight') |
![png](https://img-blog.csdnimg.cn/img_convert/fddb6582e7b0d402851b71e6910913ed.png)
3 绘图自定义
| # 创建画布matplotlib |
| fig, ax = plt.subplots(figsize=(12, 9)) |
| # 绘制主要区域 |
| ax = data.plot(ax=ax,facecolor='grey',edgecolor='lightgrey',alpha=0.8,linewidth=1) |
| # 绘制九段线 |
| ax = gpd.GeoSeries(nine_dotted_line.geometry).plot(ax=ax,edgecolor='grey',linewidth=3) |
| # 强调首都 |
| ax = data[data.name=="北京市"].representative_point().plot(ax=ax, facecolor='red',marker='*', markersize=150) |
| |
| # 强调港澳台 |
| # 设置字体 |
| fontdict = {'family':'FZSongYi-Z13S', 'size':8, 'color': "blue",'weight': 'bold'} |
| for index in data[data.adcode.isin(['710000','810000','820000'])].index: |
| if data.iloc[index]['name'] == "台湾省": |
| x = data.iloc[index].geometry.centroid.x |
| y = data.iloc[index].geometry.centroid.y |
| name = "台湾省" |
| ax.text(x, y, name, ha="center", va="center", fontdict=fontdict) |
| elif data.iloc[index]['name'] == "香港特别行政区": |
| x = data.iloc[index].geometry.centroid.x |
| y = data.iloc[index].geometry.centroid.y |
| name = "香港" |
| ax.text(x, y, name, ha="left", va="top", fontdict=fontdict) |
| gpd.GeoSeries(data.iloc[index].geometry.centroid).plot(ax=ax, facecolor='black', markersize=5) |
| elif data.iloc[index]['name'] == "澳门特别行政区": |
| x = data.iloc[index].geometry.centroid.x |
| y = data.iloc[index].geometry.centroid.y |
| name = "澳门" |
| ax.text(x, y, name, ha="right", va="top", fontdict=fontdict) |
| gpd.GeoSeries(data.iloc[index].geometry.centroid).plot(ax=ax, facecolor='black', markersize=5) |
| |
| # 移除坐标轴 |
| ax.axis('off') |
| (15508157.566510478, 20969512.421140186, 92287.20109282521, 6384866.68627745) |
![png](https://img-blog.csdnimg.cn/img_convert/04e09a5fcfec937baa633b90cdb9cd79.png)
4 图例设置
这里采用单独绘制图例的方式来创建图例,需要对matplotlib使用有一定的了解。
| # 创建画布matplotlib |
| fig, ax = plt.subplots(figsize=(12, 9)) |
| # 绘制主要区域 |
| ax = data.plot(ax=ax,facecolor='grey',edgecolor='lightgrey',alpha=0.8,linewidth=1) |
| # 绘制九段线 |
| ax = gpd.GeoSeries(nine_dotted_line.geometry).plot(ax=ax,edgecolor='grey',linewidth=3) |
| # 强调首都 |
| ax = data[data.name=="北京市"].representative_point().plot(ax=ax, facecolor='red',marker='*', markersize=150) |
| |
| # 强调港澳台 |
| # 设置字体 |
| fontdict = {'family':'FZSongYi-Z13S', 'size':8, 'color': "blue",'weight': 'bold'} |
| # 这一段代码可能因为不同matplotlib版本出现不同结果 |
| for index in data[data.adcode.isin(['710000','810000','820000'])].index: |
| if data.iloc[index]['name'] == "台湾省": |
| x = data.iloc[index].geometry.centroid.x |
| y = data.iloc[index].geometry.centroid.y |
| name = "台湾省" |
| ax.text(x, y, name, ha="center", va="center", fontdict=fontdict) |
| elif data.iloc[index]['name'] == "香港特别行政区": |
| x = data.iloc[index].geometry.centroid.x |
| y = data.iloc[index].geometry.centroid.y |
| name = "香港" |
| ax.text(x, y, name, ha="left", va="top", fontdict=fontdict) |
| gpd.GeoSeries(data.iloc[index].geometry.centroid).plot(ax=ax, facecolor='black', markersize=5) |
| elif data.iloc[index]['name'] == "澳门特别行政区": |
| x = data.iloc[index].geometry.centroid.x |
| y = data.iloc[index].geometry.centroid.y |
| name = "澳门" |
| ax.text(x, y, name, ha="right", va="top", fontdict=fontdict) |
| gpd.GeoSeries(data.iloc[index].geometry.centroid).plot(ax=ax, facecolor='black', markersize=5) |
| |
| # 移除坐标轴 |
| ax.axis('off') |
| |
| # 单独绘制图例 |
| plt.rcParams["font.family"] = 'FZSongYi-Z13S' |
| ax.scatter([], [], c='red', s=80, marker='*', label='首都') |
| ax.plot([], [], c='grey',linewidth=3, label='南海九段线') |
| # 设置图例顺序 |
| handles, labels = ax.get_legend_handles_labels() |
| ax.legend(handles[::-1], labels[::-1], title="图例",frameon=True, shadow=True, loc="lower left",fontsize=10) |
| # ax.legend(title="图例",frameon=True, shadow=True, loc="lower left",fontsize=10) |
| <matplotlib.legend.Legend at 0x7f159cbe7510> |
![png](https://img-blog.csdnimg.cn/img_convert/60d6a0d51c34bddb497d036b2b303b1f.png)
5 小地图绘制
在很多中国地图中,南海诸岛区域都是在右下角的小地图单独绘制。在GeoPandas中想要实现这一功能,可以通过matplotlib的add_axes函数实现。add_axes主要功能为为新增绘图子区域,该区域可以位于画布中任意区域,且可设置任意大小。add_axes输入参数为(left, bottom, width, height),left, bottom表示相对画布的比例坐标,width和height表示相对画布的比例长宽。
这种绘图方式非常不专业,也不推荐,建议只是学习使用思路。具体使用看如下代码。
| # 创建画布 |
| fig = plt.figure(figsize=(6,3)) |
| # 创建一个填充整个画布的子图 |
| ax = fig.add_axes((0,0,1,1)) |
| # 从画布宽40%,高40%处绘制子图 |
| ax_child = fig.add_axes((0.4,0.4,0.2,0.2)) |
![png](https://img-blog.csdnimg.cn/img_convert/bc0ae1eba5557151c01644146bac84ce.png)
具体添加小地图首先确定中国大陆区域范围和南海范围,然后分开绘制。
| from shapely.geometry import Point |
| |
| # 设中国大陆区域范围和南海范围,估计得到 |
| bound = gpd.GeoDataFrame({ |
| 'x': [80, 140, 106.5, 123], |
| 'y': [15, 50, 2.8, 24.5] |
| }) |
| bound.geometry = bound.apply(lambda row: Point([row['x'], row['y']]), axis=1) |
| # 初始化CRS |
| bound.crs = 'EPSG:4326' |
| bound = bound.to_crs('EPSG:4573') |
| bound |
| x | y | geometry |
---|
0 | 80.0 | 15.0 | POINT (15734050.166 1822879.627) |
---|
1 | 140.0 | 50.0 | POINT (20972709.719 6154280.305) |
---|
2 | 106.5 | 2.8 | POINT (18666803.134 309722.667) |
---|
3 | 123.0 | 24.5 | POINT (20344370.888 2833592.614) |
---|
| # 创建画布matplotlib |
| fig, ax = plt.subplots(figsize=(12, 9)) |
| # 绘制主要区域 |
| ax = data.plot(ax=ax,facecolor='grey',edgecolor='lightgrey',alpha=0.8,linewidth=1) |
| # 绘制九段线 |
| ax = gpd.GeoSeries(nine_dotted_line.geometry).plot(ax=ax,edgecolor='grey',linewidth=3) |
| # 强调首都 |
| ax = data[data.name=="北京市"].representative_point().plot(ax=ax, facecolor='red',marker='*', markersize=150) |
| |
| # 强调港澳台 |
| # 设置字体 |
| fontdict = {'family':'FZSongYi-Z13S', 'size':8, 'color': "blue",'weight': 'bold'} |
| # 这一段代码可能因为不同matplotlib版本出现不同结果 |
| for index in data[data.adcode.isin(['710000','810000','820000'])].index: |
| if data.iloc[index]['name'] == "台湾省": |
| x = data.iloc[index].geometry.centroid.x |
| y = data.iloc[index].geometry.centroid.y |
| name = "台湾省" |
| ax.text(x, y, name, ha="center", va="center", fontdict=fontdict) |
| elif data.iloc[index]['name'] == "香港特别行政区": |
| x = data.iloc[index].geometry.centroid.x |
| y = data.iloc[index].geometry.centroid.y |
| name = "香港" |
| ax.text(x, y, name, ha="left", va="top", fontdict=fontdict) |
| gpd.GeoSeries(data.iloc[index].geometry.centroid).plot(ax=ax, facecolor='black', markersize=5) |
| elif data.iloc[index]['name'] == "澳门特别行政区": |
| x = data.iloc[index].geometry.centroid.x |
| y = data.iloc[index].geometry.centroid.y |
| name = "澳门" |
| ax.text(x, y, name, ha="right", va="top", fontdict=fontdict) |
| gpd.GeoSeries(data.iloc[index].geometry.centroid).plot(ax=ax, facecolor='black', markersize=5) |
| |
| # 设置大陆区域范围 |
| ax.set_xlim(bound.geometry[0].x, bound.geometry[1].x) |
| ax.set_ylim(bound.geometry[0].y, bound.geometry[1].y) |
| |
| # 移除坐标轴 |
| ax.axis('off') |
| |
| # 单独绘制图例 |
| plt.rcParams["font.family"] = 'FZSongYi-Z13S' |
| ax.scatter([], [], c='red', s=80, marker='*', label='首都') |
| ax.plot([], [], c='grey',linewidth=3, label='南海九段线') |
| # 设置图例顺序 |
| handles, labels = ax.get_legend_handles_labels() |
| ax.legend(handles[::-1], labels[::-1], title="图例",frameon=True, shadow=True, loc="lower left",fontsize=10) |
| # ax.legend(title="图例",frameon=True, shadow=True, loc="lower left",fontsize=10) |
| |
| # 创建南海插图对应的子图,调整这些参数以调整地图位置 |
| ax_child = fig.add_axes([0.75, 0.15, 0.2, 0.2]) |
| ax_child = data.plot(ax=ax_child,facecolor='grey',edgecolor='lightgrey',alpha=0.8,linewidth=1) |
| # 绘制九段线 |
| ax_child = gpd.GeoSeries(nine_dotted_line.geometry).plot(ax=ax_child,edgecolor='grey',linewidth=3) |
| |
| # 设置子图显示范围 |
| ax_child.set_xlim(bound.geometry[2].x, bound.geometry[3].x) |
| ax_child.set_ylim(bound.geometry[2].y, bound.geometry[3].y) |
| ax_child.text(0.98,0.02,'Produced by luohenyueji',transform = ax.transAxes, |
| ha='center', va='center',fontsize = 12,color='black') |
| # 移除子图坐标轴 |
| ax_child.set_xticks([]) |
| ax_child.set_yticks([]) |
| |
| fig.savefig('res.png', dpi=300, bbox_inches='tight') |
![png](https://img-blog.csdnimg.cn/img_convert/a032659c514722632e9f0f348fe8cd2e.png)
2 分层设色
2.1 分层设色基本介绍
如下代码所示,绘制江苏省地级市GDP地图。
| # 读取2019江苏省各市GDP数据 |
| |
| import geopandas as gpd |
| import matplotlib.pyplot as plt |
| import pandas as pd |
| plt.rcParams["font.family"] = 'FZSongYi-Z13S' |
| # 数据来自互联网 |
| gdp = pd.read_csv("2022江苏省各市GDP.csv") |
| gdp |
| 排行 | 地级市 | 2022年GDP(亿元) |
---|
0 | 1 | 苏州市 | 23958.3 |
---|
1 | 2 | 南京市 | 16907.9 |
---|
2 | 3 | 无锡市 | 14850.8 |
---|
3 | 4 | 南通市 | 11379.6 |
---|
4 | 5 | 常州市 | 9550.1 |
---|
5 | 6 | 徐州市 | 8457.8 |
---|
6 | 7 | 盐城市 | 7079.8 |
---|
7 | 8 | 扬州市 | 6696.4 |
---|
8 | 9 | 泰州市 | 6401.8 |
---|
9 | 10 | 镇江市 | 5017.0 |
---|
10 | 11 | 淮安市 | 4742.4 |
---|
11 | 12 | 宿迁市 | 4112.0 |
---|
12 | 13 | 连云港市 | 4005.0 |
---|
| # 读取江苏地图数据,数据来自DataV.GeoAtlas,将其投影到EPSG:4573 |
| data = gpd.read_file('https://geo.datav.aliyun.com/areas_v3/bound/320000_full.json').to_crs('EPSG:4573') |
| # 合并数据 |
| data = data.join(gdp.set_index('地级市')["2022年GDP(亿元)"],on='name') |
| # 修改列名 |
| data.rename(columns={'2022年GDP(亿元)':'GDP'},inplace=True) |
| data.head() |
| adcode | name | childrenNum | level | parent | subFeatureIndex | geometry | GDP |
---|
0 | 320100 | 南京市 | 11 | city | {'adcode': 320000} | 0 | MULTIPOLYGON (((19828216.260 3681802.361, 1982... | 16907.9 |
---|
1 | 320200 | 无锡市 | 7 | city | {'adcode': 320000} | 1 | MULTIPOLYGON (((19892555.472 3541293.638, 1989... | 14850.8 |
---|
2 | 320300 | 徐州市 | 10 | city | {'adcode': 320000} | 2 | MULTIPOLYGON (((19736418.457 3894748.096, 1973... | 8457.8 |
---|
3 | 320400 | 常州市 | 6 | city | {'adcode': 320000} | 3 | MULTIPOLYGON (((19927182.917 3638819.801, 1992... | 9550.1 |
---|
4 | 320500 | 苏州市 | 9 | city | {'adcode': 320000} | 4 | MULTIPOLYGON (((19929872.531 3547724.116, 1993... | 23958.3 |
---|
| fig, ax = plt.subplots(figsize=(9, 9)) |
| |
| # legend_kwds设置matplotlib的legend参数 |
| data.plot(ax=ax,column='GDP', cmap='coolwarm', legend=True,legend_kwds={'label': "GDP(亿元)", 'shrink':0.5}) |
| ax.axis('off') |
| |
| # 设置 |
| fontdict = {'family':'FZSongYi-Z13S', 'size':8, 'color': "black",'weight': 'bold'} |
| |
| # 设置标题 |
| ax.set_title('江苏省地级市2022年GDP数据可视化', fontsize=24) |
| for index in data.index: |
| x = data.iloc[index].geometry.centroid.x |
| y = data.iloc[index].geometry.centroid.y |
| name = data.iloc[index]["name"] |
| if name in ["苏州市","无锡市"]: |
| x = x*1.001 |
| ax.text(x, y, name, ha="center", va="center", fontdict=fontdict) |
| # 保存图片 |
| fig.savefig('res.png', dpi=300, bbox_inches='tight') |
![png](https://img-blog.csdnimg.cn/img_convert/5ed86e70464d9b5365205d276fe09f25.png)
可以看到在上述地图中,由于苏州市的数值太大,其他数据被压缩到浅色区域,无法有效展示数据分布。需要使用地图分层设色来更好地展示数据。地图分层设色是一种常见的地图可视化方式,它可以将地图上的数据按照不同的分类进行分层,并对每一层数据进行不同的颜色设定,以便更加直观地展现地理空间数据的分布情况和特征。
在本文通过Python模块mapclassify用于分层设色和数据可视化。使用mapclassify之前需要输入以下命令安装相关模块:
pip install mapclassify
mapclassify官方仓库见:mapclassify。mapclassify提供了多种分组方法,可以帮助我们更好地理解数据的分布情况,mapclassify提供的方法包括:
BoxPlot
: 基于箱线图的分类方法。这种分类方法适用于数据分布比较规律的情况。EqualInterval
: 等距离分类方法。这种分类方法将数据划分为等距离的若干区间。适用于数据分布比较均匀的情况。FisherJenks
: 基于Fisher-Jenks算法的分类方法。这种分类方法将数据划分为若干区间,使得每个区间内部的差异最小,不同区间之间的差异最大。适用于数据分布比较不规律的情况。HeadTailBreaks
: 基于Head-Tail算法的分类方法。这种分类方法将给定的数据集分为两部分:头部和尾部。头部通常包含出现频率最高的值,而尾部包含出现频率较低的值。适用于识别数据集中的异常值和离群值。JenksCaspall
: 基于Jenks-Caspall算法的分类方法。这种分类方法根据数据中发现的自然分组将数据集划分为类。适用于需要将数据分类为几个具有明显含义的区间的情况。JenksCaspallForced
: 强制基于Jenks-Caspall算法的分类方法。与JenksCaspall算法类似,但是它对区间的数量和大小有更强的控制力。适用于需要精确控制区间数量和大小的情况。JenksCaspallSampled
: 采样基于Jenks-Caspall算法的分类方法。该方法对数据进行采样,然后使用Jenks-Caspall算法对采样后的数据进行分类,适用于数据量比较大的情况。MaxP
: 基于最大界限的分类方法。这种分类方法将数据划分为几个区间,使得不同区间之间的差异最大。适用于需要将数据分类为几个具有明显差异的区间的情况。MaximumBreaks
: 基于最大间隔的分类方法。这种分类方法与MaxP算法类似,但是它更加注重区间的可理解性。适用于需要将数据分类为几个具有明显含义的区间的情况。NaturalBreaks
: 基于自然间隔的分类方法。这种分类方法将数据划分为几个区间,使得每个区间内部的差异最小,不同区间之间的差异最大。适用于数据分布比较不规律的情况Quantiles
: 基于分位数的分类方法。Percentiles
: 基于百分位数的分类方法。StdMean
: 基于标准差分组的分类方法。UserDefined
: 基于自定义分组的分类方法。
示例1
| import mapclassify |
| # 导入示例数据 |
| y = mapclassify.load_example() |
| print(type(y)) |
| print(y.mean(),y.min(), y.max()) |
| y.head() |
| <class 'pandas.core.series.Series'> |
| 125.92810344827588 0.13 4111.45 |
| |
| |
| |
| |
| |
| 0 329.92 |
| 1 0.42 |
| 2 5.90 |
| 3 14.03 |
| 4 2.78 |
| Name: emp/sq km, dtype: float64 |
| mapclassify.EqualInterval(y) |
| EqualInterval |
| |
| Interval Count |
| -------------------------- |
| [ 0.13, 822.39] | 57 |
| ( 822.39, 1644.66] | 0 |
| (1644.66, 2466.92] | 0 |
| (2466.92, 3289.19] | 0 |
| (3289.19, 4111.45] | 1 |
示例2
| y = [1,2,3,4,5,6,7,8,9,0] |
| # 分为四个区间 |
| mapclassify.JenksCaspall(y, k=4) |
| JenksCaspall |
| |
| Interval Count |
| -------------------- |
| [0.00, 2.00] | 3 |
| (2.00, 4.00] | 2 |
| (4.00, 6.00] | 2 |
| (6.00, 9.00] | 3 |
示例3
| y = [1,2,3,4,5,6,7,8,9,0] |
| # 自定义区间 |
| mapclassify.UserDefined(y, bins=[5, 8, 9]) |
| UserDefined |
| |
| Interval Count |
| -------------------- |
| [0.00, 5.00] | 6 |
| (5.00, 8.00] | 3 |
| (8.00, 9.00] | 1 |
示例4
| import mapclassify |
| import pandas |
| from numpy import linspace as lsp |
| demo = [lsp(3,8,num=10), lsp(10, 0, num=10), lsp(-5, 15, num=10)] |
| demo = pandas.DataFrame(demo).T |
| demo.head() |
| 0 | 1 | 2 |
---|
0 | 3.000000 | 10.000000 | -5.000000 |
---|
1 | 3.555556 | 8.888889 | -2.777778 |
---|
2 | 4.111111 | 7.777778 | -0.555556 |
---|
3 | 4.666667 | 6.666667 | 1.666667 |
---|
4 | 5.222222 | 5.555556 | 3.888889 |
---|
| # 使用apply函数应用分层,rolling表示是否进行滑动窗口计算以消除随机波动 |
| demo.apply(mapclassify.Quantiles.make(rolling=True)).head() |
2.2 绘图实例之用于地图的分层设色
方法1
GeoPandas中分层设色可以通过plot函数中的scheme参数和k参数设置数据分层方式和分层类别数。如下所示,通过JenksCaspall将GDP数据分为4级,可以直观看到GDP数据在第一梯队的城市有哪些。
| fig, ax = plt.subplots(figsize=(9, 9)) |
| |
| # 使用分层设色后,legend_kwds要进行相应修改 |
| data.plot(ax=ax,column='GDP', cmap='coolwarm', legend=True,scheme='JenksCaspall',k=4,legend_kwds={ |
| 'loc': 'lower left', |
| 'title': 'GDP数据分级(亿元)', |
| }) |
| ax.axis('off') |
| |
| # 设置 |
| fontdict = {'family':'FZSongYi-Z13S', 'size':8, 'color': "black",'weight': 'bold'} |
| |
| # 设置标题 |
| ax.set_title('江苏省地级市2022年GDP数据可视化', fontsize=24) |
| for index in data.index: |
| x = data.iloc[index].geometry.centroid.x |
| y = data.iloc[index].geometry.centroid.y |
| name = data.iloc[index]["name"] |
| if name in ["苏州市","无锡市"]: |
| x = x*1.001 |
| ax.text(x, y, name, ha="center", va="center", fontdict=fontdict) |
| # 保存图片 |
| fig.savefig('res.png', dpi=300, bbox_inches='tight') |
![png](https://img-blog.csdnimg.cn/img_convert/798ee2314c703a04f4eb06425c696e23.png)
方法2
在GeoPandas中也可以通过mapclassify直接处理数据,生成新的数据列进行展示。通过该种方式可以看到,苏州和南京的GDP领先于其他地级市。
| # 创建分类器 |
| classifier = mapclassify.HeadTailBreaks(data['GDP']) |
| classifier |
| HeadTailBreaks |
| |
| Interval Count |
| ---------------------------- |
| [ 4005.00, 9473.76] | 8 |
| ( 9473.76, 15329.34] | 3 |
| (15329.34, 20433.10] | 1 |
| (20433.10, 23958.30] | 1 |
| # 赋值数据 |
| data['GDP_class'] = data['GDP'].apply(classifier) |
| data['GDP_class'] = data['GDP_class'].apply(lambda x : int(x)) |
| data.head() |
| adcode | name | childrenNum | level | parent | subFeatureIndex | geometry | GDP | GDP_class |
---|
0 | 320100 | 南京市 | 11 | city | {'adcode': 320000} | 0 | MULTIPOLYGON (((19828216.260 3681802.361, 1982... | 16907.9 | 2 |
---|
1 | 320200 | 无锡市 | 7 | city | {'adcode': 320000} | 1 | MULTIPOLYGON (((19892555.472 3541293.638, 1989... | 14850.8 | 1 |
---|
2 | 320300 | 徐州市 | 10 | city | {'adcode': 320000} | 2 | MULTIPOLYGON (((19736418.457 3894748.096, 1973... | 8457.8 | 0 |
---|
3 | 320400 | 常州市 | 6 | city | {'adcode': 320000} | 3 | MULTIPOLYGON (((19927182.917 3638819.801, 1992... | 9550.1 | 1 |
---|
4 | 320500 | 苏州市 | 9 | city | {'adcode': 320000} | 4 | MULTIPOLYGON (((19929872.531 3547724.116, 1993... | 23958.3 | 3 |
---|
| import matplotlib.colors as colors |
| fig, ax = plt.subplots(figsize=(9, 9)) |
| |
| # 设置分层颜色条 |
| cmap = plt.cm.get_cmap('coolwarm', len(set(data['GDP_class']))) |
| # vmax和vmin设置是为了让等级值居中 |
| data.plot(ax=ax,column='GDP_class', cmap=cmap, legend=False,vmin=-0.5,vmax=3.5) |
| ax.axis('off') |
| # 设置Colorbar的刻度 |
| cbar = ax.get_figure().colorbar(ax.collections[0],shrink=0.5) |
| cbar.set_ticks([0,1,2,3]) |
| cbar.set_label('GDP数据分级') |
| cbar.set_ticklabels(['等级0','等级1','等级2','等级3']) |
| # 隐藏刻度线 |
| ticks = cbar.ax.get_yaxis().get_major_ticks() |
| for tick in ticks: |
| tick.tick1line.set_visible(False) |
| tick.tick2line.set_visible(False) |
| |
| |
| # 设置 |
| fontdict = {'family':'FZSongYi-Z13S', 'size':8, 'color': "black",'weight': 'bold'} |
| |
| # 设置标题 |
| ax.set_title('江苏省地级市2022年GDP数据可视化', fontsize=24) |
| for index in data.index: |
| x = data.iloc[index].geometry.centroid.x |
| y = data.iloc[index].geometry.centroid.y |
| name = data.iloc[index]["name"] |
| if name in ["苏州市","无锡市"]: |
| x = x*1.001 |
| ax.text(x, y, name, ha="center", va="center", fontdict=fontdict) |
| # 保存图片 |
| fig.savefig('res.png', dpi=300, bbox_inches='tight') |
![png](https://img-blog.csdnimg.cn/img_convert/80bf01befc90bacdae11537ccd372d30.png)
方法3
分层设色不仅可以设置各区域的颜色,也可以设置各区域的填充图案
| # 创建分类器 |
| classifier = mapclassify.MaximumBreaks(data['GDP'], k=3) |
| classifier |
| MaximumBreaks |
| |
| Interval Count |
| ---------------------------- |
| [ 4005.00, 13115.20] | 10 |
| (13115.20, 20433.10] | 2 |
| (20433.10, 23958.30] | 1 |
| # 赋值数据 |
| data['GDP_class'] = data['GDP'].apply(classifier) |
| data['GDP_class'] = data['GDP_class'].apply(lambda x : int(x)) |
| data.head() |
| adcode | name | childrenNum | level | parent | subFeatureIndex | geometry | GDP | GDP_class |
---|
0 | 320100 | 南京市 | 11 | city | {'adcode': 320000} | 0 | MULTIPOLYGON (((19828216.260 3681802.361, 1982... | 16907.9 | 1 |
---|
1 | 320200 | 无锡市 | 7 | city | {'adcode': 320000} | 1 | MULTIPOLYGON (((19892555.472 3541293.638, 1989... | 14850.8 | 1 |
---|
2 | 320300 | 徐州市 | 10 | city | {'adcode': 320000} | 2 | MULTIPOLYGON (((19736418.457 3894748.096, 1973... | 8457.8 | 0 |
---|
3 | 320400 | 常州市 | 6 | city | {'adcode': 320000} | 3 | MULTIPOLYGON (((19927182.917 3638819.801, 1992... | 9550.1 | 0 |
---|
4 | 320500 | 苏州市 | 9 | city | {'adcode': 320000} | 4 | MULTIPOLYGON (((19929872.531 3547724.116, 1993... | 23958.3 | 2 |
---|
| import matplotlib.patches as mpatches |
| |
| # 设置图案列表 |
| patterns = ["///", "", "*", "\\\\",".", "o", "O",] |
| cmap = plt.cm.get_cmap('coolwarm', len(set(data['GDP_class']))) |
| color_list = cmap([0,1,2]) |
| fig, ax = plt.subplots(figsize=(9, 9)) |
| # 自定义图示 |
| legend_list = [] |
| |
| # 按层次设置legend |
| for i in set(data['GDP_class']): |
| tmp = data[data['GDP_class']==i] |
| tmp.plot(ax=ax,column='GDP_class', legend=False,hatch=patterns[i],edgecolor='black',color=color_list[i], linestyle='-',linewidth=2) |
| legend_list.append( |
| mpatches.Patch(facecolor=color_list[i], edgecolor='black',linestyle='-', linewidth=2,hatch=patterns[i], label='等级{}'.format(i)) |
| ) |
| ax.axis('off') |
| # 设置标题 |
| ax.set_title('江苏省地级市2022年GDP数据可视化', fontsize=24) |
| |
| # 自定义图示 |
| ax.legend(handles = legend_list, loc='best', fontsize=12, title='GDP数据分级', shadow=True) |
| |
| # 保存图片 |
| fig.savefig('res.png', dpi=300, bbox_inches='tight') |
![png](https://img-blog.csdnimg.cn/img_convert/ec74e662eacacd10ab0ef65389c34d97.png)