[数据分析与可视化] Python绘制数据地图2-GeoPandas地图可视化

已于 2023-04-09 10:54:09 修改
阅读量6k 收藏 40
点赞数 5
分类专栏： Python 数据分析与可视化 文章标签： python 数据分析 开发语言
于 2023-04-09 10:42:19 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/LuohenYJ/article/details/130039075
版权

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[数据分析与可视化] Python绘制数据地图1-GeoPandas入门指北。

本文所有代码见：Python-Study-Notes

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 geopandas

文章目录

# jupyter notebook环境去除warning
import warnings
warnings.filterwarnings("ignore")

# 查看geopandas版本
import geopandas as gpd

gpd.__version__

'0.10.2'

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_estcontinentnameiso_a3gdp_md_estgeometry
0920938OceaniaFijiFJI8374.0MULTIPOLYGON (((180.00000 -16.06713, 180.00000...
153950935AfricaTanzaniaTZA150600.0POLYGON ((33.90371 -0.95000, 34.07262 -1.05982...
2603253AfricaW. SaharaESH906.5POLYGON ((-8.66559 27.65643, -8.66512 27.58948...
335623680North AmericaCanadaCAN1674000.0MULTIPOLYGON (((-122.84000 49.00000, -122.9742...
4326625791North AmericaUnited States of AmericaUSA18560000.0MULTIPOLYGON (((-122.84000 49.00000, -120.0000...
world.plot()

<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()
namegeometry
0Vatican CityPOINT (12.45339 41.90328)
1San MarinoPOINT (12.44177 43.93610)
2VaduzPOINT (9.51667 47.13372)
3LuxembourgPOINT (6.13000 49.61166)
4PalikirPOINT (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

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

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

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

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

如果只想绘制边界，可以调用boundary属性进行绘制。

world.boundary.plot()

<matplotlib.axes._subplots.AxesSubplot at 0x7f15ac1cecd0>

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

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

# 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

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

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

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

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

# 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

# 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

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

1.2 绘图实例之中国地图绘制

该实例主要参考：

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

(35, 8)

# 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()

989.1500769770855

# 查看最后五条数据
data.tail()
adcodenameadcharchildrenNumlevelparentsubFeatureIndexgeometryarea
30650000新疆维吾尔自治区NaN24.0province{'adcode': 100000}30.0MULTIPOLYGON (((17794320.693 4768675.631, 1779...175.796459
31710000台湾省NaN0.0province{'adcode': 100000}31.0MULTIPOLYGON (((20103629.026 2566628.808, 2011...4.090259
32810000香港特别行政区NaN18.0province{'adcode': 100000}32.0MULTIPOLYGON (((19432072.340 2517924.724, 1942...0.125928
33820000澳门特别行政区NaN8.0province{'adcode': 100000}33.0MULTIPOLYGON (((19385068.278 2470740.132, 1939...0.004702
34100000_JDJDNaNNaNNaNNaNMULTIPOLYGON (((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

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

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

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

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
xygeometry
080.015.0POINT (15734050.166 1822879.627)
1140.050.0POINT (20972709.719 6154280.305)
2106.52.8POINT (18666803.134 309722.667)
3123.024.5POINT (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

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）
01苏州市23958.3
12南京市16907.9
23无锡市14850.8
34南通市11379.6
45常州市9550.1
56徐州市8457.8
67盐城市7079.8
78扬州市6696.4
89泰州市6401.8
910镇江市5017.0
1011淮安市4742.4
1112宿迁市4112.0
1213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()
adcodenamechildrenNumlevelparentsubFeatureIndexgeometryGDP
0320100南京市11city{'adcode': 320000}0MULTIPOLYGON (((19828216.260 3681802.361, 1982...16907.9
1320200无锡市7city{'adcode': 320000}1MULTIPOLYGON (((19892555.472 3541293.638, 1989...14850.8
2320300徐州市10city{'adcode': 320000}2MULTIPOLYGON (((19736418.457 3894748.096, 1973...8457.8
3320400常州市6city{'adcode': 320000}3MULTIPOLYGON (((19927182.917 3638819.801, 1992...9550.1
4320500苏州市9city{'adcode': 320000}4MULTIPOLYGON (((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

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。

关于以上常用方法的具体介绍可以看看基于geopandas的空间数据分析——深入浅出分层设色。mapclassify对数据进行分类简单使用方法如下：

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()
012
03.00000010.000000-5.000000
13.5555568.888889-2.777778
24.1111117.777778-0.555556
34.6666676.6666671.666667
45.2222225.5555563.888889
# 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()
012
0040
1040
2140
3130
4221

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

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()
adcodenamechildrenNumlevelparentsubFeatureIndexgeometryGDPGDP_class
0320100南京市11city{'adcode': 320000}0MULTIPOLYGON (((19828216.260 3681802.361, 1982...16907.92
1320200无锡市7city{'adcode': 320000}1MULTIPOLYGON (((19892555.472 3541293.638, 1989...14850.81
2320300徐州市10city{'adcode': 320000}2MULTIPOLYGON (((19736418.457 3894748.096, 1973...8457.80
3320400常州市6city{'adcode': 320000}3MULTIPOLYGON (((19927182.917 3638819.801, 1992...9550.11
4320500苏州市9city{'adcode': 320000}4MULTIPOLYGON (((19929872.531 3547724.116, 1993...23958.33
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

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()
adcodenamechildrenNumlevelparentsubFeatureIndexgeometryGDPGDP_class
0320100南京市11city{'adcode': 320000}0MULTIPOLYGON (((19828216.260 3681802.361, 1982...16907.91
1320200无锡市7city{'adcode': 320000}1MULTIPOLYGON (((19892555.472 3541293.638, 1989...14850.81
2320300徐州市10city{'adcode': 320000}2MULTIPOLYGON (((19736418.457 3894748.096, 1973...8457.80
3320400常州市6city{'adcode': 320000}3MULTIPOLYGON (((19927182.917 3638819.801, 1992...9550.10
4320500苏州市9city{'adcode': 320000}4MULTIPOLYGON (((19929872.531 3547724.116, 1993...23958.32
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

3 参考

落痕的寒假
关注
专栏目录
Python-GeoPandas是一个向pandas对象添加地理数据支持的项目
08-10
GeoPandas是一个向pandas对象添加地理数据支持的项目。 它目前实现了GeoSeries和GeoDataFrame类型，它们分别是pandas.Series和pandas.DataFrame的子类。 GeoPandas对象可以作用于形状几何对象并执行几何操作。
python 数据分析与可视化
09-08
《Python数据分析与可视化》课程是针对数据处理和可视化的深入学习资源，涵盖了从Python编程基础知识到高级数据分析工具的广泛主题。课程旨在通过理论讲解、源代码实践和实验环节，帮助学员掌握利用Python进行数据...
[数据分析与可视化] Python绘制数据地图1-GeoPandas入门指北
You and Me
03-16 3385
地信、计算机和遥感等领域的从业人员或多或少都会接触地理信息系统（GIS，Geographic Information System）的相关知识。所谓GIS简单来说就是一个以计算机为核心，对地理空间位置相关数据进行创建、管理、分析、绘制和展示的多功能集成信息系统。绘制地图，则需要了解GIS中的坐标参考系。本文只是简单介绍坐标参考系的相关内容。相关内容总结于以下文章，想要具体了解更多内容也可以看看这些文章。聊聊GIS中的坐标系基于geopandas的空间数据分析——坐标参考系篇前后端都要懂一点的 GIS。
Python GeoPandas库：地理空间数据处理与可视化详解
最新发布
GitHub_miao的博客
09-20 1736
更多Python学习内容：ipengtao.com随着地理信息系统（GIS）应用的日益广泛，如何高效处理和可视化地理空间数据成为许多开发者和研究人员关注的问题。Python 作为数据科学领域的强大工具，拥有许多处理地理数据的库，其中 GeoPandas 是一个非常重要的库。GeoPandas 将 Pandas 的强大功能扩展到地理空间数据领域，允许用户轻松进行空间操作、投影变换和地理数据的可视化。...
Python绘制数据地图-GeoPandas使用要点
Python数据之道
06-28 6647
本文主要介绍GeoPandas的使用要点。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[1]。GeoPandas的官方文档地址为：GeoPandas-doc[2]。本文主要参考GeoPandas Examples Gal...
Python|安装geopandas教程——以四个依赖包为例
热门推荐
weixin_41608080的博客
11-22 1万+
安装geopandas包 前阵子由于学习需要，接触了python制图，通过geopandas分析json文件更方便快捷，但前提是要安装好这个包 安装方法是从b站上的学习up主"同济小旭学长"这里看到的，（是个宝藏up主啊！）这里做个学习总结，以免自己需要翻看的时候找不着。 安装步骤 1.安装4个依赖包 在以下网站上找到需要安装的四个依赖包：shapely、pyproj、gdal、fiona，根据自己python的版本选择适合你的版本： https://www.lfd.uci.edu/~gohlke/pyt
Python数据可视化分析大作业-NBA球员信息数据分析与可视化（源码+报告文档）高分项目
06-10
Python数据可视化分析大作业-NBA球员信息数据分析与可视化（源码+报告文档）高分项目期末大作业开发的97分高分设计项目，可作为高分课程设计和期末大作业的参考，含有代码注释小白也可看的懂，有能力的小伙伴也可以...
Python数据分析与可视化项目电商类-母婴市场消费数据分析-约350行（pyecharts可视化、数据分析）.zip
07-10
该项目是关于使用Python进行母婴市场消费数据的分析与可视化，主要使用了数据分析工具和pyecharts库进行数据呈现。以下是对这个项目所涉及知识点的详细解释： 1. **Python编程基础**：Python是数据科学领域广泛使用...
使用Python进行气象数据分析与可视化.zip
01-06
这个压缩包“使用Python进行气象数据分析与可视化.zip”包含了一个名为“WeatherToData-master”的项目，很可能是用来演示如何利用Python处理气象数据并进行可视化展示的。 首先，我们来探讨Python在气象数据分析中...
python数据分析可视化-期末大作业-从获取到实现
07-05
在Python的世界里，数据分析与可视化是两个至关重要的领域，尤其对于初学者而言，它们提供了深入理解数据、发现潜在模式和趋势的有效工具。本篇期末大作业聚焦于利用Python进行有声读物数据的可视化分析，主要涉及的...
Python GeoPandas指导手册：Python GeoPandas Documentation Release 0.4.0
12-20
GeoPandas是一个开源项目，它的目的是使得在Python下更方便的处理地理空间数据。GeoPandas扩展了pandas的数据类型，允许其在几何类型上进行空间操作。该文档包含官方页面文档，相关样例代码请移步官方页面下载。
python geopandas包
07-26
python geopandas包
利用python的geopandas实现geojson数据的可视化（含geopandas安装和问题解决方式）
qq_20161013的博客
06-08 1万+
一、什么是geojson？ GeoJSON是一种对各种地理数据结构进行编码的格式，基于Javascript对象表示法的地理空间信息数据交换格式。GeoJSON支持点、线、面、多点、多线、多面和几何集合等几何类型。GeoJSON里的特征包含一个几何对象和其他属性，特征集合表示一系列特征。本质上，geojson还是json，是一个字符串数据格式。像下面这样： { "type": "Polygon", "coordinates": [ [ [100.0, 0.0], [101.0, 0.0], [10
Python安装geopandas
qq_35794085的博客
11-20 1171
Python安装geopandas（其依赖包为GDAL,Shapely,Fiona,pyproj）和rasterio,tqdm!!! 最近需要处理一些在NASA官网下载的数据，需要用到geopandas包，记录一下安装相关包的过程。 *step1：*由于geopandas需要依赖包（GDAL,Shapely,Fiona,pyproj），所以先安装这四个依赖包，反正我是都安装了。四个包的下载链接https://www.lfd.uci.edu/~gohlke/pythonlibs/.本人的是python3.8，
geopandas绘图-choropleth图绘制详解
weixin_44874457的博客
07-01 948
Choropleth图是一种统计图表，用于在地理区域内显示数据分布。这种图表通过不同的颜色、阴影或图案来表示不同区域内的数据值。Choropleth图常用于展示人口密度、经济指标、政治投票结果等数据，其中每个区域（如州、县、国家）的填色或图案代表该区域的数据值。
基于Python的geopandas库处理矢量几何的教程
晚来天欲雪，能饮一杯无？
01-10 2363
本博客基于python执行完整的地理处理和遥感例程，而无需求助于任何 GIS 桌面软件
Python安装Geopandas库
weixin_43615654的博客
12-07 791
没想到装这个比配置pytorch还麻烦。 Step1 查看属性 import wheel.pep425tags as w print(w.get_supported()) [('cp37', 'cp37m', 'win_amd64'), ('cp37', 'none', 'win_amd64'), ('cp37', 'none', 'any'), ('cp3', 'none', 'any'), ...
python环境安装geopandas
qq_44584476的博客
08-30 1025
注：rtree是方便后面使用geopandas加快空间索引用的，不是依赖包。pandas是geopandas的前置(可以不用自己安装，geopandas安装时会自动安装pandas)。注：这里的gdal选择最新版的，避免后面安装Fiona出错。然后将上面下载好的whl文件直接拖到上面的命令后面，然后按enter。3、去下面网站下载geopandas的依赖包。输入：（install 后面有个空格）注：最后再安装fiona。6、安装geopandas。7、测试geopandas。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值