中国领先的IT技术网站
|
|

10行Python代码创建可视化地图

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。

作者:renwofei423来源:36大数据|2017-09-05 08:35

【沙龙】51CTO诚邀您9月23号和多位技术大咖一起聊智能CDN的优化之路,抓紧时间哦!


10行Python代码创建可视化地图

  1. import vincent 
  2.  
  3. world_countries = r'world-countries.json' 
  4.  
  5. world = vincent.Map(width=1200, height=1000) 
  6.  
  7. world.geo_data(projection='winkel3', scale=200, world=world_countries) 
  8.  
  9. 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。

例如, 将地图数据分层来建立更复杂的地图:

  1. vis = vincent.Map(width=1000, height=800) 
  2.  
  3. #Add the US county data and a new line color 
  4.  
  5. vis.geo_data(projection='albersUsa', scale=1000, counties=county_geo) 
  6.  
  7. vis + ('2B4ECF''marks', 0, 'properties''enter''stroke''value'
  8.  
  9. #Add the state data, remove the fill, write Vega spec output to JSON 
  10.  
  11. vis.geo_data(states=state_geo) 
  12.  
  13. vis - ('fill''marks', 1, 'properties''enter'
  14.  
  15. 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. #'merged' is the Pandas DataFrame 
  2.  
  3. vis = vincent.Map(width=1000, height=800) 
  4.  
  5. vis.tabular_data(merged, columns=['FIPS_Code''Unemployment_rate_2011']) 
  6.  
  7. vis.geo_data(projection='albersUsa', scale=1000, bind_data='data.id', counties=county_geo) 
  8.  
  9. vis + (["#f5f5f5","#000045"], 'scales', 0, 'range'
  10.  
  11. vis.to_json(path) 

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. 00000,US,United States,154505871,140674478,13831393,9,50502,100 
  2.  
  3. 01000,AL,Alabama,2190519,1993977,196542,9,41427,100 
  4.  
  5. 01001,AL,Autauga County,25930,23854,2076,8,48863,117.9 
  6.  
  7. 01003,AL,Baldwin County,85407,78491,6916,8.1,50144,121 
  8.  
  9. 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. {"type":"FeatureCollection","features":[ 
  2.  
  3. {"type":"Feature","id":"1001","properties":{"name":"Autauga"
  4.  
  5. {"type":"Feature","id":"1003","properties":{"name":"Baldwin"
  6.  
  7. {"type":"Feature","id":"1005","properties":{"name":"Barbour"
  8.  
  9. {"type":"Feature","id":"1007","properties":{"name":"Bibb"
  10.  
  11. {"type":"Feature","id":"1009","properties":{"name":"Blount"
  12.  
  13. {"type":"Feature","id":"1011","properties":{"name":"Bullock"
  14.  
  15. {"type":"Feature","id":"1013","properties":{"name":"Butler"
  16.  
  17. {"type":"Feature","id":"1015","properties":{"name":"Calhoun"
  18.  
  19. {"type":"Feature","id":"1017","properties":{"name":"Chambers"
  20.  
  21. {"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. import json 
  2. import pandas as pd 
  3. #Map the county codes we have in our geometry to those in the 
  4. #county_data file, which contains additional rows we don't need 
  5. with open(county_geo, 'r'as f: 
  6.     get_id = json.load(f) 
  7.  
  8. #Grab the FIPS codes and load them into a dataframe 
  9. county_codes = [x['id'for x in get_id['features']] 
  10. county_df = pd.DataFrame({'FIPS_Code': county_codes}, dtype=str) 
  11.  
  12. #Read into Dataframe, cast to string for consistency 
  13. df = pd.read_csv(county_data, na_values=[' ']) 
  14. df['FIPS_Code'] = df['FIPS_Code'].astype(str) 
  15.  
  16. #Perform an inner join, pad NA's with data from nearest county 
  17. merged = pd.merge(df, county_df, on='FIPS_Code', how='inner'
  18. merged = merged.fillna(method='pad'
  19.  
  20. >>>merged.head() 
  21.       FIPS_Code State       Area_name  Civilian_labor_force_2011  Employed_2011  \ 
  22.     0      1001    AL  Autauga County                      25930          23854    
  23.     1      1003    AL  Baldwin County                      85407          78491    
  24.     2      1005    AL  Barbour County                       9761           8651    
  25.     3      1007    AL     Bibb County                       9216           8303    
  26.     4      1009    AL   Blount County                      26347          24156 
  27.  
  28.    Unemployed_2011  Unemployment_rate_2011  Median_Household_Income_2011  \ 
  29. 0             2076                     8.0                         48863    
  30. 1             6916                     8.1                         50144    
  31. 2             1110                    11.4                         30117    
  32. 3              913                     9.9                         37347    
  33. 4             2191                     8.3                         41940 
  34.  
  35.    Med_HH_Income_Percent_of_StateTotal_2011   
  36. 0                                     117.9   
  37. 1                                     121.0   
  38. 2                                      72.7   
  39. 3                                      90.2   
  40. 4                                     101.2  

现在,我们可以快速生成不同的等值线:

  1. vis.tabular_data(merged, columns=['FIPS_Code''Civilian_labor_force_2011']) 
  2.  
  3. vis.to_json(path) 

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. vis.tabular_data(merged, columns=['FIPS_Code''Median_Household_Income_2011']) 
  2.  
  3. 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. #Swap county data for state data, reset map 
  2.  
  3. state_data = pd.read_csv(state_unemployment) 
  4.  
  5. vis.tabular_data(state_data, columns=['State''Unemployment']) 
  6.  
  7. vis.geo_data(bind_data='data.id', reset=True, states=state_geo) 
  8.  
  9. vis.update_map(scale=1000, projection='albersUsa'
  10.  
  11. vis + (['#c9cedb''#0b0d11'], 'scales', 0, 'range'
  12.  
  13. 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。

【编辑推荐】

  1. 我用Python爬了《王者荣耀盒子》,发现王者荣耀最强套路!
  2. Python小白都会的如何生成词云图片
  3. 用Python做数据分析:Pandas常用数据查询语法
  4. Python3中进行HTTP请求的4种方式
  5. 理解Python asyncio内部实现机制
【责任编辑:庞桂玉 TEL:(010)68476606】

点赞 0
分享:
大家都在看
猜你喜欢

读 书 +更多

Absolute C++中文版(原书第2版)  

本书是讲解C++语言程序设计的优秀教程。全书围绕C++语言来组织,开始章节介绍编程的普通感念,接下来详细介绍C++中的继承、多态、异常处理...

订阅51CTO邮刊

点击这里查看样刊

订阅51CTO邮刊
× 学习达标赢Beats耳机