10 行 Python 代码创建可视化地图

1 2 3 4 5 import vincent world_countries  = r 'world-countries.json' world  = vincent. Map (width = 1200 , height = 1000 ) world.geo_data(projection = 'winkel3' , scale = 200 , world = world_countries) world.to_json(path) 当我开始建造Vincent时, 我的一个目的就是使得地图的建造尽可能合理化. 有一些很棒的python地图库-参见Basemap 和 Kartograph能让地图更有意思. 我强烈推荐这两个工具, 因为他们都很好用而且很强大. 我想有更简单一些的工具,能依靠Vega的力量并且允许简单的语法点到geoJSON文件,详细描述一个投影和大小/比列,最后输出地图.

hwang30 翻译于 1年前 0人顶 顶 翻译的不错哦!

例如, 将地图数据分层来建立更复杂的地图: ? 1 2 3 4 5 6 7 8 9 vis  = vincent. Map (width = 1000 , height = 800 ) #Add the US county data and a new line color vis.geo_data(projection = 'albersUsa' , scale = 1000 , counties = county_geo) vis  + ( '2B4ECF' ,  'marks' ,  0 ,  'properties' ,  'enter' ,  'stroke' ,  'value' )   #Add the state data, remove the fill, write Vega spec output to JSON vis.geo_data(states = state_geo) vis  - ( 'fill' ,  'marks' ,  1 ,  'properties' ,  'enter' ) vis.to_json(path) 加之,等值线地图需绑定Pandas数据,需要数据列直接映射到地图要素.假设有一个从geoJSON到列数据的1:1映射,它的语法是非常简单的: ? 1 2 3 4 5 6 #'merged' is the Pandas DataFrame vis  = vincent. Map (width = 1000 , height = 800 ) vis.tabular_data(merged, columns = [ 'FIPS_Code' ,  'Unemployment_rate_2011' ]) vis.geo_data(projection = 'albersUsa' , scale = 1000 , bind_data = 'data.id' , counties = county_geo) vis  + ([ "#f5f5f5" , "#000045" ],  'scales' ,  0 ,  'range' ) vis.to_json(path)

hwang30 翻译于 1年前 0人顶 顶 翻译的不错哦!

我们的数据并非没有争议无需改造——用户需要确保 geoJSON 键与熊猫数据框架之间具有1:1的映射。下面就是之前实例所需的简明的数据框架映射：我们的国家信息是一个列有FIPS 码、国家名称、以及经济信息（列名省略）的 CSV 文件： ? 1 2 3 4 5 00000 ,US,United States, 154505871 , 140674478 , 13831393 , 9 , 50502 , 100 01000 ,AL,Alabama, 2190519 , 1993977 , 196542 , 9 , 41427 , 100 01001 ,AL,Autauga County, 25930 , 23854 , 2076 , 8 , 48863 , 117.9 01003 ,AL,Baldwin County, 85407 , 78491 , 6916 , 8.1 , 50144 , 121 01005 ,AL,Barbour County, 9761 , 8651 , 1110 , 11.4 , 30117 , 72.7 在 geoJSON 中，我们的国家形状是以 FIPS 码为id 的（感谢 fork 自 Trifacta 的相关信息）。为了简便，实际形状已经做了简略，在示例数据可以找到完整的数据集： ? 1 2 3 4 5 6 7 8 9 10 11 { "type" : "FeatureCollection" , "features" :[ { "type" : "Feature" , "id" : "1001" , "properties" :{ "name" : "Autauga" } { "type" : "Feature" , "id" : "1003" , "properties" :{ "name" : "Baldwin" } { "type" : "Feature" , "id" : "1005" , "properties" :{ "name" : "Barbour" } { "type" : "Feature" , "id" : "1007" , "properties" :{ "name" : "Bibb" } { "type" : "Feature" , "id" : "1009" , "properties" :{ "name" : "Blount" } { "type" : "Feature" , "id" : "1011" , "properties" :{ "name" : "Bullock" } { "type" : "Feature" , "id" : "1013" , "properties" :{ "name" : "Butler" } { "type" : "Feature" , "id" : "1015" , "properties" :{ "name" : "Calhoun" } { "type" : "Feature" , "id" : "1017" , "properties" :{ "name" : "Chambers" } { "type" : "Feature" , "id" : "1019" , "properties" :{ "name" : "Cherokee" } 我们需要匹配 FIPS 码，确保匹配正确，否则 Vega 无法正确的压缩数据： ? 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 import json import pandas as pd #Map the county codes we have in our geometry to those in the #county_data file, which contains additional rows we don't need with  open (county_geo,  'r' ) as f:      get_id  = json.load(f)   #Grab the FIPS codes and load them into a dataframe county_codes  = [x[ 'id' ]  for x  in get_id[ 'features' ]] county_df  = pd.DataFrame({ 'FIPS_Code' : county_codes}, dtype = str )   #Read into Dataframe, cast to string for consistency df  = pd.read_csv(county_data, na_values = [ ' ' ]) df[ 'FIPS_Code' ]  = df[ 'FIPS_Code' ].astype( str )   #Perform an inner join, pad NA's with data from nearest county merged  = pd.merge(df, county_df, on = 'FIPS_Code' , how = 'inner' ) merged  = merged.fillna(method = 'pad' )   >>>merged.head()        FIPS_Code State       Area_name  Civilian_labor_force_2011  Employed_2011  \      0      1001    AL  Autauga County                       25930          23854        1      1003    AL  Baldwin County                       85407          78491        2      1005    AL  Barbour County                        9761           8651        3      1007    AL     Bibb County                        9216           8303        4      1009    AL   Blount County                       26347          24156       Unemployed_2011  Unemployment_rate_2011  Median_Household_Income_2011  \ 0             2076                     8.0                         48863   1             6916                     8.1                         50144   2             1110                    11.4                         30117   3              913                     9.9                         37347   4             2191                     8.3                         41940       Med_HH_Income_Percent_of_StateTotal_2011  0                                     117.9  1                                     121.0  2                                      72.7  3                                      90.2  4                                     101.2 现在，我们可以快速生成不同的等值线： ? 1 2 vis.tabular_data(merged, columns = [ 'FIPS_Code' ,  'Civilian_labor_force_2011' ]) vis.to_json(path)

Khiyuan 翻译于 1年前 0人顶 顶 翻译的不错哦!

这只能告诉我们 LA 和 King 面积非常大，人口非常稠密。让我们再看看中等家庭收入： ? 1 2 vis.tabular_data(merged, columns = [ 'FIPS_Code' ,  'Median_Household_Income_2011' ]) vis.to_json(path) 明显很多高收入区域在东海岸或是其他高密度区域。我敢打赌，在城市层级这将更加有趣，但这需要等以后发布的版本。让我们快速重置地图，再看看国家失业率： ? 1 2 3 4 5 6 7 #Swap county data for state data, reset map state_data  = pd.read_csv(state_unemployment) vis.tabular_data(state_data, columns = [ 'State' ,  'Unemployment' ]) vis.geo_data(bind_data = 'data.id' , reset = True , states = state_geo) vis.update_map(scale = 1000 , projection = 'albersUsa' ) vis  + ([ '#c9cedb' ,  '#0b0d11' ],  'scales' ,  0 ,  'range' ) vis.to_json(path) 地图即是我的激情所在——我希望 Vincent 能够更强，包含轻松的添加点、标记及其它的能力。如果各位读者对于映射方面有什么功能上的需求，可以在Github上给我发问题。