【matplotlib基礎】--結合地圖

wang_yb發表於2023-09-25
原文網址 : https://www.cnblogs.com/wang_yb/p/17727254.html
地圖

如果分析的資料與地域相關，那麼，把分析結果結合地圖一起展示的話，會讓視覺化的效果得到極大的提升。

比如，分析各省GDP資料，人口資料，用柱狀圖，餅圖之類的雖然都可以展示分析結果，
不過，如果能在全國的地圖上展示各省的分析結果的話，會讓人留下更加深刻的印象。

將資料的分析結果展示在地圖上，難點在於：

  1. 如何繪製地圖，地圖是展示資料的基礎，如何繪製出需要的地圖區域是第一步
  2. 資料和地圖關聯，資料最終要顯示在地圖上，資料如何與地理座標關聯也是重要的一步
  3. 地圖上展示資料，也就是要在地圖上繪製不同的顏色或者幾何形狀來表達不同的資料

解決了上面3個難題，就能夠結合地圖做一些基本的資料展示了。
本篇透過一個基於南京各個區地理資訊的分析示例，來演示如何一步步透過地圖來展示分析結果。

1. 繪製地圖

第一步是繪製地圖，其實地圖就是一塊塊不規則的多邊形拼接起來的。
在本篇的示例中，各個多邊形就是南京的各個區。

繪製多邊形不難，難的是如何得到各個多邊形的頂點座標。
好在現在有很多的開放地理資訊平臺，可以讓我們獲取到想要的地理資訊。

1.1. 獲取地理資訊

比如，透過阿里的DataV資料視覺化平臺，可以獲取南京各個區的地理範圍資訊。
image.png
在這個平臺上，左邊選擇區域，右邊會生成對應範圍的地理資訊的資料。
地理資訊資料是json格式。

1.2. 展示地理資訊

為了讀取地理資訊資料並展示，需要用到一個 GeoPandas 的庫。
用 pip 安裝很簡單：

$ pip install geopandas

geopandas可以直接讀取DataV資料視覺化平臺生成的JSON資料並展示。

import geopandas as gpd

df_geo = gpd.read_file(
    "https://geo.datav.aliyun.com/areas_v3/bound/320100_full.json"
)
df_geo

image.png
json檔案的HTTP地址DataV資料視覺化平臺就是在上生成的。
這個檔案中的關鍵欄位就是 geometry，其中的內容就是各個區的多邊形形狀的各個頂點的經緯度座標。

展示資料：

import matplotlib.pyplot as plt

fig, ax = plt.subplots()
fig.set_size_inches(8, 8)

# df_geo就是上面透過geopandas讀取的資料
df_geo.plot(
    ax=ax,
    column="name",
    cmap="plasma",
    edgecolor="k",
    legend=True,
    legend_kwds={"loc": "lower left"}
)
plt.show()

image.png
其中主要引數的含義：

  1. ax：matplotlib生成的子圖，這裡就是資料要繪製的位置
  2. column：作為不同區域的名稱，這裡就是南京各個區的名稱
  3. cmap：一組顏色，分別對應不同的區
  4. edgecolor：每個多邊形邊緣的顏色，這裡設定的是黑色
  5. legend：是否顯示圖例
  6. legend_kwds：設定圖例的配置資訊，這裡只設定了圖例的位置

2. 地圖和資料關聯

首先生成一些測試資料：

# 刪除 df_geo 中一些不必要的列
df_geo = df_geo.drop(columns=["childrenNum", "level", "parent", "subFeatureIndex"])

# 南京各個區的名稱
area_names = df_geo.loc[:, "name"]

# df_val為測試資料，其中name列是各個區的名稱
# value 列是一些隨機數，模擬各個區的人口，GDP等資料
df_val = pd.DataFrame({
    "name": area_names.tolist(),
    "value": np.random.randint(10, 10000, len(area_names))
})

測試資料 df_val 模擬其他途徑得到的業務資料，
下面要將 df_val 中的指展示到地圖上，就要先把 df_val 和 df_geo 結合起來。

# 以 name 列作為結合兩個資料集的依據
df = pd.merge(df_geo, df_val, on="name", how="left")
df

image.png
這樣，我們就得到了同時包含地理資訊（geometry）和業務資料（value）的資料集了。

3. 地圖上展示資料

接下來就是展示資料了，下面演示兩種在地圖上展示資料的方式。

3.1. 熱力圖方式

根據 value 值的不同，用漸變色來顯示不同區的顏色。

fig, ax = plt.subplots()
fig.set_size_inches(8, 8)
ax.axis("off")

df.plot(
    ax=ax,
    column="value",
    cmap="plasma",
    edgecolor="k",
    legend=True,
    legend_kwds={'label': "value", 'shrink':0.5},
)

for index in df.index:
    x = df.iloc[index].geometry.centroid.x
    y = df.iloc[index].geometry.centroid.y
    name = df.iloc[index]["name"]
    if name in ["建鄴區", "鼓樓區", "玄武區", "秦淮區"]:
        ax.text(x, y, name, ha="center", va="center", fontsize=8)
    else:
        ax.text(x, y, name, ha="center", va="center")

plt.show()

image.png
其中，"建鄴區", "鼓樓區", "玄武區", "秦淮區" 四個區的面積比較小，
所以字型稍微調小了一些。

3.2. 分類展示

把 value值分為3類，每類用不同的形式來表示。

  • value < 3000
  • 3000 <= value < 5000
  • value >= 5000
import matplotlib.patches as mpatches

fig, ax = plt.subplots()
fig.set_size_inches(5, 10)
ax.axis("off")
legend_list = []

df[df["value"] < 3000].plot(
    ax=ax,
    color="lightblue",
    edgecolor="k",
    hatch="\\\\",
    legend=False,
)
legend_list.append(
    mpatches.Patch(
        facecolor="lightblue",
        edgecolor="black", hatch="\\\\", label="value<3000"
    )
)


df[(df["value"] >= 3000) & (df["value"] < 5000)].plot(
    ax=ax,
    color="lightgreen",
    edgecolor="k",
    hatch="o",
    legend=False,
)
legend_list.append(
    mpatches.Patch(
        facecolor="lightgreen",
        edgecolor="black", hatch="o", label="3000<=value<5000")
)

df[df["value"] >= 5000].plot(
    ax=ax,
    color="r",
    edgecolor="k",
    hatch="*",
    legend=False,
)
legend_list.append(mpatches.Patch(
    facecolor="r",
    edgecolor="black", hatch="*", label="value>=5000"))

ax.legend(handles = legend_list, 
          loc=(1, 0.5), 
          title="value 等級", 
          fontsize=12)

plt.show()

image.png

4. 總結

結合地理資訊展示資料，讓資料更加的生動，特別是很多資料分析場景本身就和地理資訊密切相關。
除了基於地域的各種經濟或者人口等等的相關資料，
還有各類氣象資料，如能和地理資訊結合展示的話，會讓人對整體情況一目瞭然。

文中用到的主要資源：


相關文章