【matplotlib基础】--结合地图

合集 - matplotlib基础(13)

1.【matplotlib基础】--画布08-302.【matplotlib基础】--子图09-013.【matplotlib基础】--坐标轴09-034.【matplotlib基础】--刻度09-055.【matplotlib基础】--图例09-076.【matplotlib基础】--文本标注09-107.【matplotlib基础】--绘图配置09-138.【matplotlib基础】--样式表09-159.【matplotlib基础】--手绘风格09-1710.【matplotlib基础】--几何图形09-1911.【matplotlib基础】--动画09-2112.【matplotlib基础】--3D图形09-23

13.【matplotlib基础】--结合地图09-25

收起

如果分析的数据与地域相关，那么，把分析结果结合地图一起展示的话，会让可视化的效果得到极大的提升。

比如，分析各省GDP数据，人口数据，用柱状图，饼图之类的虽然都可以展示分析结果，
不过，如果能在全国的地图上展示各省的分析结果的话，会让人留下更加深刻的印象。

将数据的分析结果展示在地图上，难点在于：

1. 如何绘制地图，地图是展示数据的基础，如何绘制出需要的地图区域是第一步
2. 数据和地图关联，数据最终要显示在地图上，数据如何与地理坐标关联也是重要的一步
3. 地图上展示数据，也就是要在地图上绘制不同的颜色或者几何形状来表达不同的数据

解决了上面3个难题，就能够结合地图做一些基本的数据展示了。
本篇通过一个基于南京各个区地理信息的分析示例，来演示如何一步步通过地图来展示分析结果。

1. 绘制地图

第一步是绘制地图，其实地图就是一块块不规则的多边形拼接起来的。
在本篇的示例中，各个多边形就是南京的各个区。

绘制多边形不难，难的是如何得到各个多边形的顶点坐标。
好在现在有很多的开放地理信息平台，可以让我们获取到想要的地理信息。

1.1. 获取地理信息

比如，通过阿里的DataV数据可视化平台，可以获取南京各个区的地理范围信息。

在这个平台上，左边选择区域，右边会生成对应范围的地理信息的数据。
地理信息数据是json格式。

1.2. 展示地理信息

为了读取地理信息数据并展示，需要用到一个 GeoPandas 的库。
用 pip 安装很简单：

$ pip install geopandas

geopandas可以直接读取DataV数据可视化平台生成的JSON数据并展示。

import geopandas as gpd

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

json文件的HTTP地址DataV数据可视化平台就是在上生成的。
这个文件中的关键字段就是 geometry，其中的内容就是各个区的多边形形状的各个顶点的经纬度坐标。

展示数据：

import matplotlib.pyplot as plt

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

# df_geo就是上面通过geopandas读取的数据
df_geo.plot(
    ax=ax,
    column="name",
    cmap="plasma",
    edgecolor="k",
    legend=True,
    legend_kwds={"loc": "lower left"}
)
plt.show()

其中主要参数的含义：

1. ax：matplotlib生成的子图，这里就是数据要绘制的位置
2. column：作为不同区域的名称，这里就是南京各个区的名称
3. cmap：一组颜色，分别对应不同的区
4. edgecolor：每个多边形边缘的颜色，这里设置的是黑色
5. legend：是否显示图例
6. legend_kwds：设置图例的配置信息，这里只设置了图例的位置

2. 地图和数据关联

首先生成一些测试数据：

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

# 南京各个区的名称
area_names = df_geo.loc[:, "name"]

# df_val为测试数据，其中name列是各个区的名称
# value 列是一些随机数，模拟各个区的人口，GDP等数据
df_val = pd.DataFrame({
    "name": area_names.tolist(),
    "value": np.random.randint(10, 10000, len(area_names))
})

测试数据 df_val 模拟其他途径得到的业务数据，
下面要将 df_val 中的指展示到地图上，就要先把 df_val 和 df_geo 结合起来。

# 以 name 列作为结合两个数据集的依据
df = pd.merge(df_geo, df_val, on="name", how="left")
df

这样，我们就得到了同时包含地理信息（geometry）和业务数据（value）的数据集了。

3. 地图上展示数据

接下来就是展示数据了，下面演示两种在地图上展示数据的方式。

3.1. 热力图方式

根据 value 值的不同，用渐变色来显示不同区的颜色。

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 ["建邺区", "鼓楼区", "玄武区", "秦淮区"]:
        ax.text(x, y, name, ha="center", va="center", fontsize=8)
    else:
        ax.text(x, y, name, ha="center", va="center")

plt.show()

其中，"建邺区", "鼓楼区", "玄武区", "秦淮区" 四个区的面积比较小，
所以字体稍微调小了一些。

3.2. 分类展示

把 value值分为3类，每类用不同的形式来表示。

• 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 等级", 
          fontsize=12)

plt.show()

4. 总结

结合地理信息展示数据，让数据更加的生动，特别是很多数据分析场景本身就和地理信息密切相关。
除了基于地域的各种经济或者人口等等的相关数据，
还有各类气象数据，如能和地理信息结合展示的话，会让人对整体情况一目了然。

文中用到的主要资源：

• DataV数据可视化平台：https://datav.aliyun.com/portal/school/atlas/area_selector
• GeoPandas：https://github.com/geopandas/geopandas