使用geopandas绘制热力图

已于 2022-12-06 15:19:41 修改
阅读量2.4k 收藏 24
点赞数 5
分类专栏： python 文章标签： python numpy
于 2022-09-08 09:02:37 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/shizuguilai/article/details/126757653
版权
这篇博客介绍了如何利用GeoPandas、Scipy和Matplotlib等库在Python中绘制热力图和散点图，以展示地理空间数据的分布。作者首先展示了数据预处理过程，包括读取CSV文件并进行清洗。接着，通过创建GeoDataFrame和计算直方图来生成热力图，并应用高斯平滑处理。同时，还绘制了散点图以直观对比。最后，作者调整了颜色映射以改善视觉效果，展示了两种不同颜色方案的热力图。
摘要由CSDN通过智能技术生成

右边为原始的散点图，左边为绘制的热力图。
在这里插入图片描述

在这里插入图片描述

使用geopands绘制热力图

1、核心代码

import numpy as np
from scipy import ndimage
import matplotlib.pyplot as plt
import matplotlib.image as image

ax1 = plt.subplot(121)
# 边框绘制
boundary_ax = gdf_counter.plot(color='white', edgecolor='black',figsize=(5,5), alpha=0.2, ax = ax1)
boundary_ax.axes.xaxis.set_ticklabels([]) #取消x轴的刻度值
boundary_ax.axes.yaxis.set_ticklabels([]) #取消轴的刻度值
boundary_ax.tick_params(bottom=False, top=False, left=False, right=False) #边上的隐藏刻度线


bins = (500)
smoothing=5.5
cmap='jet'
# cmap='Blues'

df_test_day = df_index_date.loc["2001-01-01", :]
geom = [shapely.geometry.Point(xy) for xy in zip(df_test_day.Longitude, df_test_day.Latitude)] #先经度，后纬度
gdf_point = geopandas.GeoDataFrame(df_test_day, geometry=geom)
print("gdf_point.shape: ", gdf_point.shape)

lat = gdf_point.loc[:, "Latitude"]
lon = gdf_point.loc[:, "Longitude"]

heatmap, _0, _1 = np.histogram2d(lat, lon, bins=bins, range=[[boundary_ax.get_ybound()[0],boundary_ax.get_ybound()[1]], [boundary_ax.get_xbound()[0], boundary_ax.get_xbound()[1]]])
extent=[boundary_ax.get_xbound()[0], boundary_ax.get_xbound()[1], boundary_ax.get_ybound()[1], boundary_ax.get_ybound()[0]] # (left, right, bottom, top) in data coordinates，计算点的经纬度直方图，差不多就是画表格，然后根据点的多少，确定每个格子里有多少个点。
logheatmap = np.log(heatmap)
logheatmap[np.isneginf(logheatmap)] = 0 # 测试元素的负无穷大，返回结果作为布尔数组
logheatmap = ndimage.filters.gaussian_filter(logheatmap, smoothing, mode='nearest') # 高斯平滑，然有数周围的点，变得比较接近
heat_ax=plt.imshow(logheatmap, cmap=cmap, extent=extent)
heat_ax.axes.xaxis.set_ticklabels([]) #取消x轴的刻度值
heat_ax.axes.yaxis.set_ticklabels([]) #取消轴的刻度值
heat_ax.axes.tick_params(bottom=False, top=False, left=False, right=False) #边上的隐藏刻度线
heat_ax = plt.gca().invert_yaxis()

# plt.gca().invert_xaxis()

# 第二个图
ax2 = plt.subplot(122)
boundary_ax = gdf_counter.plot(color='white', edgecolor='black',figsize=(5,5), alpha=0.5, ax=ax2)
boundary_ax.axes.xaxis.set_ticklabels([]) #取消x轴的刻度值
boundary_ax.axes.yaxis.set_ticklabels([]) #取消轴的刻度值
boundary_ax.tick_params(bottom=False, top=False, left=False, right=False) #边上的隐藏刻度线

bp_ax = gdf_point.plot(ax=boundary_ax, alpha=0.15, color='red')

2、项目工程

2.0 mytool库的手动构建

import os # accessing directory structure
import pandas as pd # data processing, CSV file I/O (e.g. pd.read_csv)


def get_all_csv_path(dirname):
    '''
    获取dirname目录下的所有文件
    '''
    file_path_list = []
    file_names = os.listdir(dirname) #获取该目录下的所有文件
    file_names.sort(key = lambda x : int(x[-6:-4])) #例：Chicago_Crimes_2001_to_2004.csv
    for file_name in file_names:
        file_path_list.append(os.path.join(dirname, file_name))
    return file_path_list

def from_list_read_csv(file_path_list):
    '''
    读取file_path_list下所有的csv文件
    注意，因为这些个csv文件中的格式不太一样，就是第一个2001到2014的只有22列，其他的有23列
    ！！！！！！！！！！！所以在处理数据的时候需要自己检查一下自己的数据格式！！！！！！！！！！！！！
    '''
    df_all = pd.read_csv(file_path_list[0], delimiter=',', error_bad_lines=False, parse_dates=['Date']) # error_bad_lines=False跳过报错行，parse_dates=['Date']将Date这一列当作date数据格式读取
    print("df_all.shape:", df_all.shape)
    for file_path in file_path_list[1:]:
        print("read_file_path: ", file_path)
        df = pd.read_csv(file_path, delimiter=',', error_bad_lines=False, parse_dates=['Date'])
        print("df.shape: ", df.shape)
        df_all = pd.concat([df_all, df.iloc[:,1:]], ignore_index = True) # ignore_index = false 指的是重新编码最前面的那个序号，！！！！！！后面3个有22列，所以要忽略掉第一列！！！！！！
        print("df_all.shape:", df_all.shape)
    return df_all

def read_csv(dirname, drop_NAN = False):
    # 获取目标目录下的所有文件路径
    file_path_list = get_all_csv_path(dirname)
    # 读取所有文件，为dataframe格式
    df_all = from_list_read_csv(file_path_list)
    # 是否删除不全的记录（即出现NAN的记录行）
    if drop_NAN :
        df_all = df_all.dropna(axis=0, how='any')
        df_all = df_all.reset_index(drop=True) #重新编号
    return df_all

2.1数据预处理

# 先预处理一下数据
import mytools
import pandas as pd
import torch
df_all = mytools.read_csv("./data/origin", drop_NAN=True)
torch.save(df_all, "./data/process/data_2001_to_2017.pt")

我的数据文件夹组织如下：
在这里插入图片描述

2.2 实用ipynb格式，分步骤详细解释

# 导入各种包
import mytools
import pandas as pd
import torch
import numpy as np
pd.options.display.width = 800
pd.set_option('display.max_columns', 11)  # 设置显示最大列
pd.set_option('display.max_row', 15)  # 设置显示最大行

#读取geojson数据，我这里是芝加哥2001到2017年的犯罪数据josn，自己预处理了一下
df_all = torch.load("./data/process/data_2001_to_2017.pt")

在这里插入图片描述

# 我这里只研究日期与坐标的时空关系，所以提取相应的列
df_date_position = df_all.loc[:, ["Date", "Latitude", "Longitude"]]

在这里插入图片描述

# 将日期设置为索引
df_date_position["One_Date"] = df_date_position['Date'].dt.to_period('D')
df_index_date = df_date_position.iloc[:, 1:]
df_index_date.set_index("One_Date", inplace = True)

在这里插入图片描述

# 选取其中的一天来进行研究
import geopandas
import shapely
import plotly.express as px

gdf_counter = geopandas.read_file('./data/geojson/chicago.geojson')#geojson路径

print(gdf_counter.shape)
# 将pandas数据转化成geopandas
df_test_day = df_index_date.loc["2001-01-01", :]
geom = [shapely.geometry.Point(xy) for xy in zip(df_test_day.Longitude, df_test_day.Latitude)] #先经度，后纬度
gdf_point = geopandas.GeoDataFrame(df_test_day, geometry=geom)
print(gdf_point.shape)
# 这里要获取一下所有的数据，有点慢，为的就是找到所有数据中的极值，方便画图
gdf_all_point = geopandas.GeoDataFrame(df_index_date, geometry=[shapely.geometry.Point(xy) for xy in zip(df_index_date.Longitude, df_index_date.Latitude)])

在这里插入图片描述

# 先画一个简单的散点图
boundary_ax = gdf_counter.plot(color='white', edgecolor='black',figsize=(5,5), alpha=0.5)
boundary_ax.axes.xaxis.set_ticklabels([]) #取消x轴的刻度值
boundary_ax.axes.yaxis.set_ticklabels([]) #取消轴的刻度值
boundary_ax.tick_params(bottom=False, top=False, left=False, right=False) #边上的隐藏刻度线

bp_ax = gdf_point.plot(ax=boundary_ax)
print(bp_ax.get_ybound())
print(bp_ax.get_xbound())
print(boundary_ax.get_ybound())
print(boundary_ax.get_xbound())
print(gdf_point.describe())

在这里插入图片描述

# 热力图的绘制
import numpy as np
from scipy import ndimage
import matplotlib.pyplot as plt
import matplotlib.image as image
import matplotlib

nor = matplotlib.colors.Normalize(vmin=0, vmax=0.015, clip=True) #需要引入归一化，不然，没啥犯罪的日子都不显示

plt.figure(dpi=300,figsize=(10,8))
ax1 = plt.subplot(121)
# 边框
boundary_ax = gdf_counter.plot(color='white', edgecolor='black',figsize=(5,5), alpha=0.1, ax = ax1)
boundary_ax.axes.xaxis.set_ticklabels([]) #取消x轴的刻度值
boundary_ax.axes.yaxis.set_ticklabels([]) #取消轴的刻度值
boundary_ax.tick_params(bottom=False, top=False, left=False, right=False) #边上的隐藏刻度线


bins = (500)
smoothing=5.5
cmap='jet'
# cmap='Blues'
# cmap='Reds'


df_test_day = df_index_date.loc["2001-01-01", :]
geom = [shapely.geometry.Point(xy) for xy in zip(df_test_day.Longitude, df_test_day.Latitude)] #先经度，后纬度
gdf_point = geopandas.GeoDataFrame(df_test_day, geometry=geom)
print("gdf_point.shape: ", gdf_point.shape)

lat = gdf_point.loc[:, "Latitude"]
lon = gdf_point.loc[:, "Longitude"]

heatmap, _0, _1 = np.histogram2d(lat, lon, bins=bins, range=[[boundary_ax.get_ybound()[0],boundary_ax.get_ybound()[1]], [boundary_ax.get_xbound()[0], boundary_ax.get_xbound()[1]]])
extent=[boundary_ax.get_xbound()[0], boundary_ax.get_xbound()[1], boundary_ax.get_ybound()[1], boundary_ax.get_ybound()[0]] # (left, right, bottom, top) in data coordinates
logheatmap = np.log(heatmap+1) #！！！！！加个1是为了让，一个元素的直方图，在取log后值不为0
logheatmap[np.isneginf(logheatmap)] = 0 # 测试元素的负无穷大，返回结果作为布尔数组
# print(logheatmap)
logheatmap = ndimage.filters.gaussian_filter(logheatmap, smoothing, mode='nearest') # 高斯平滑
heat_ax=plt.imshow(logheatmap, cmap=cmap, extent=extent, norm=nor)
heat_ax.axes.xaxis.set_ticklabels([]) #取消x轴的刻度值
heat_ax.axes.yaxis.set_ticklabels([]) #取消轴的刻度值
heat_ax.axes.tick_params(bottom=False, top=False, left=False, right=False) #边上的隐藏刻度线
heat_ax = plt.gca().invert_yaxis()

# plt.gca().invert_xaxis()

# 第二个图
ax2 = plt.subplot(122)
boundary_ax = gdf_counter.plot(color='white', edgecolor='black',figsize=(5,5), alpha=0.5, ax=ax2)
boundary_ax.axes.xaxis.set_ticklabels([]) #取消x轴的刻度值
boundary_ax.axes.yaxis.set_ticklabels([]) #取消轴的刻度值
boundary_ax.tick_params(bottom=False, top=False, left=False, right=False) #边上的隐藏刻度线

bp_ax = gdf_point.plot(ax=boundary_ax, alpha=0.15, color='red')

热力图与散点图的比较：

在这里插入图片描述

'''
	LinearSegmentedColormap函数自定义颜色的变化，使得它符合自己的审美
'''
from pylab import *
from matplotlib.colors import ListedColormap,LinearSegmentedColormap
clist=['white','blue','yellow','red','darkred']
newcmp = LinearSegmentedColormap.from_list('chaos',clist)

plt.figure(dpi=300,figsize=(10,8))
ax1 = plt.subplot(121)
# 边框
boundary_ax = gdf_counter.plot(color='white', edgecolor='black',figsize=(5,5), alpha=0.1, ax = ax1)
boundary_ax.axes.xaxis.set_ticklabels([]) #取消x轴的刻度值
boundary_ax.axes.yaxis.set_ticklabels([]) #取消轴的刻度值
boundary_ax.tick_params(bottom=False, top=False, left=False, right=False) #边上的隐藏刻度线

heat_ax = plt.imshow(logheatmap, cmap=newcmp, extent=extent, norm=nor)
heat_ax.axes.xaxis.set_ticklabels([]) #取消x轴的刻度值
heat_ax.axes.yaxis.set_ticklabels([]) #取消轴的刻度值
heat_ax.axes.tick_params(bottom=False, top=False, left=False, right=False) #边上的隐藏刻度线
heat_ax = plt.gca().invert_yaxis()

# 第二个图
ax2 = plt.subplot(122)
boundary_ax = gdf_counter.plot(color='white', edgecolor='black',figsize=(5,5), alpha=0.5, ax=ax2)
boundary_ax.axes.xaxis.set_ticklabels([]) #取消x轴的刻度值
boundary_ax.axes.yaxis.set_ticklabels([]) #取消轴的刻度值
boundary_ax.tick_params(bottom=False, top=False, left=False, right=False) #边上的隐藏刻度线

bp_ax = gdf_point.plot(ax=boundary_ax, alpha=0.15, color='red')

在这里插入图片描述

氏族归来
关注
专栏目录
使用pandas配合pytorch实现相关性分析并使用热力图表示
qq_43790749的博客
09-08 1854
在使用pytorch进行深度学习训练时，在进行数据处理时，输入数据的特征选择非常重要，因此针对标签数据进行相关性分析非常重要。下面介绍如何使用pandas实现数据相关性分析，并使用热力图进行表示，从而选出最合适的特征，达到加强学习效率并节省计算资源的效果。
geopandas+matplotlib画热力地图，自定义Colormap
qq_42915826的博客
04-21 3529
先导入我要用的包以及部分包的用处 import pandas as pd import geopandas as gpd import matplotlib.pyplot as plt import numpy as np from shapely import geometry#判断空间坐标 from jenkspy import jenks_breaks #数据分段 from matplot...
pandas 画pearson相关系数热力图
Buevara的博客
05-25 1万+
pearson相关系数计算函数 data.corr() 该方法支持空值：np.nan import seaborn as sns import numpy as np import matplotlib.pyplot as plt data = pd.DataFrame({"A":[np.nan,2,9], "B":[4,14,6], "c":[987,8,9]}) f, ax= plt.subplots(figsize = (14, 10)) corr = data.corr() # print(
python绘制地图网格热力图
weixin_41211130的博客
07-25 118
python相关学习资料：https://edu.51cto.com/video/3832.htmlhttps://edu.51cto.com/video/3502.htmlhttps://edu.51cto.com/video/4102.html如何使用Python绘制地图网格热力图 作为一名刚入行的开发者，你可能...
[数据分析与可视化] Python绘制数据地图2-GeoPandas地图可视化
GR001009的博客
09-12 1304
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# 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23958.312南京市16907.923无锡市14850.834南通市11379.645常州市9550.156徐州市8457.867盐城市7079.878扬州市6696.489泰州市6401.89。
python地图数据可视化: pyecharts Geo实现散点图和热力图
热门推荐
小白的博客
08-06 1万+
最近需要将热门景点在地图上表示出来，因此开始接触pyecharts的地图可视化内容。首先要说一下pyecharts版本，目前有 v0.5.X 和 v1 两个大版本，而且这两个版本间不兼容。今天主要介绍如何利用 v1 版本实现地图+散点图和地图+热力图，用到的函数是Geo。详情可参考文档pyecharts.org。 安装 地图文件被分成了5个 Python 包，分别为： 全球国家、中国省级、中国市级...
python绘制热力图，数据来源pandas.dataframe
weixin_41777118的博客
07-02 1500
python绘制热力图，数据来源pandas dataframe
Heatmap热力图、pandas.DataFrame.corr()、皮尔森相关系数
am_student的博客
11-17 8168
Heatmap热力图 Heatmap热力图是一个以颜色变化来显示数据的矩阵。 matplotlib可通过以下两种方法绘制heamap； matplotlib.axes.Axes.imshow matplotlib.pyplot.imshow 我们以天池上的精灵宝可梦数据为例： https://pai-public-data.oss-cn-beijing.aliyuncs.com/pokemon/pokemon.csvhttps://pai-public-data.oss-cn-beijing.
Python热力图可视化seaborn/pandas/np
zjjaibc的博客
01-13 2115
Python热力图可视化seaborn/pandas/np
使用 pandas 的 DataFrame 直接绘制热图（可聚类）
dujidan的博客
12-23 2577
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录前言一、pandas是什么？二、使用步骤1.引入库2.读入数据总结 前言 提示：这里可以添加本文要记录的大概内容： 例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。 提示：以下是本篇文章正文内容，下面案例可供参考 一、pandas是什么？ 示例：pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。 二、使用步骤 1.引入库 代码
【Python应用实战案例】Python绘制全国各省气象分布热力图数据.zip
02-28
- 计算每个省份的平均气温或其他相关统计量，以便于绘制热力图。 3. **地图数据**： - 要将气象数据与地理位置对应起来，你需要获取中国省级行政区域的地图数据。这通常可以通过`geopandas`库完成，它结合了`...
python根据经纬度绘制热力图
09-19
在Python中，可以使用一些数据可视化库，如`geopandas`、`matplotlib`以及`seaborn`等，结合地理坐标信息（经度和纬度）来绘制热力图。以下是一个基本步骤的概述： 1. 首先，你需要有一个包含地理位置数据（经度和...
根据重庆各地区的发展程度用python数据可视化绘制热力地图
05-26
使用Choropleth函数来绘制热力地图，其中需要指定列名、颜色映射等参数。 代码示例： ``` python import folium # 创建地图对象 map_chongqing = folium.Map(location=[29.544606, 106.530635], zoom_start=9) #...
用pyecharts 绘制世界地图热力图
最新发布
09-25
绘制世界地图热力图通常需要数据集来表示各个区域的颜色深浅，例如人口密度、气温分布等。下面是一个简单的步骤来创建一个基础的世界地图热力图： 1. 首先，你需要安装`pyecharts`和`geopandas`库，可以使用pip命令...
Python绘制热力图
Python，数据分析，机器学习，深度学习
02-04 5699
最近投SCI论文的时候，有些实验结果需要热力图展示，所以专门试了一下如何用python绘制热力图，发现简单好用，下面分享给大家具体方法。
kibana绘制热力图
xiongjiezk的专栏
01-07 5942
kibana绘制热力图整个过程主要可以分为3个步骤 1. 收集日志 2. 配置logstash日志解析，填充经纬度数据 3. kibana上绘制热力图。这里重点记录配置logstash时，如何填充经纬度数据。 我们日志中有经纬度数据，但是通过filter解析之后，字段一般被默认为字符串类型，而再画热力图时，kibana上聚合字段要求是geo_point类型，那么接下来的任务就是将经纬度数据转
pandas学习、热力图、子图
s1162276945的博客
07-20 3992
import pandas as pd white = pd.read_csv(“http://archive.ics.uci.edu/ml/machine-learning-databases/wine-quality/winequality-white.csv“, sep=’;’) # 导入数据 print white.info()#查看白酒信息 print red.head()#查...
C1——cesium用geojson生成热力图
GIS特战兵
03-25 1697
C1——cesium用geojson生成热力图
leaflet加载geojson热力图&加载坐标组热力图
shanshanqwertyuiop的博客
10-28 895
leaflet加载geojson热力图&加载坐标组热力图
评论 1
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