本文主要介绍GeoPandas结合matplotlib实现地图的基础可视化。GeoPandas是一个Python开源项目，旨在提供丰富而简单的地理空间数据处理接口。GeoPandas扩展了Pandas的数据类型，并使用matplotlib进行绘图。GeoPandas官方仓库地址为：GeoPandas。GeoPandas的官方文档地址为：GeoPandas-doc。关于GeoPandas的使用见[数据分析与可视化] Python绘制数据地图1-GeoPandas入门指北。

本文所有代码见：Python-Study-Notes

GeoPandas推荐使用Python3.7版本及以上，运行环境最好是linux系统。GeoPandas安装命令如下：

pip install geopandas

如果上述命令安装出问题，则推荐使用conda安装GeoPandas，命令如下：

conda install geopandas

或：

conda install --channel conda-forge geopandas

# jupyter notebook环境去除warning

import warnings

warnings.filterwarnings("ignore")

# 查看geopandas版本

import geopandas as gpd

gpd.__version__


'0.10.2'

1 基础绘图

1.1 绘图接口说明

GeoPandas基于matplotlib库封装高级接口用于制作地图，GeoSeries或GeoDataFrame对象都提供了plot函数以进行对象可视化。与GeoSeries对象相比，GeoDataFrame对象提供的plot函数在参数上更为复杂，也更为常用。

GeoDataFrame对象提供的plot函数的常用输入参数如下：

def GeoDataFrame.plot(

	column: str, np.array, pd.Series (default None), # 用于绘图的列名或数据列

	kind: str, # 绘图类型

	cmap: str, # matplotlib的颜色图Colormaps

	color: str, np.array, pd.Series (default None), # 指定所有绘图对象的统一颜色

	ax: matplotlib.pyplot.Artist (default None), # 指定matplotlib的绘图轴

	cax: matplotlib.pyplot Artist (default None), # 设置图例的坐标轴

	categorical: bool (default False), # 是否按照类别设置对象颜色

	legend: bool (default False), # 是否显示图例，如果column或color参数未赋值，则此参数无效

	scheme: str (default None), # 用于控制分层设色

	k：int (default 5), # scheme的层次数

	vmin：None or float (default None), # 图例cmap的最小值

	vmax：None or float (default None), # 图例cmap的最大值

	markersize：str or float or sequence (default None), # 绘图点的大小

	figsize: tuple of integers (default None), # 用于控制matplotlib.figure.Figure

	legend_kwds: dict (default None), # matplotlib图例参数

	missing_kw: dsdict (default None), # 缺失值区域绘制参数

	aspect:‘auto’, ‘equal’, None or float (default ‘auto’), # 设置绘图比例

	**style_kwds: dict, # 其他参数，如对象边界色edgecolor, 对象填充色facecolor, 边界宽linewidth,透明度alpha

)->ax: matplotlib axes instance

GeoSeries对象提供的plot函数的常用输入参数如下：

def GeoSeries.plot(

	s: Series, # GeoSeries对象

	cmap: str (default None),

	color: str, np.array, pd.Series, List (default None),

	ax: matplotlib.pyplot.Artist (default None),

	figsize: pair of floats (default None),

	aspect: ‘auto’, ‘equal’, None or float (default ‘auto’),

	**style_kwds: dict

)->ax: matplotlib axes instance

想要更好使用以上参数最好熟悉matplotlib，如有不懂可以查阅matplotlib文档。下面简要介绍GeoPandas中绘图函数的使用。

读取数据集

import geopandas as gpd

# 读取自带世界地图数据集

world = gpd.read_file(gpd.datasets.get_path('naturalearth_lowres'))

# 人口，大洲，国名，国家缩写，ISO国家代码，gdp，地理位置数据

world.head()
.dataframe tbody tr th:only-of-type { vertical-align: middle }
\3cpre>\3ccode>.dataframe tbody tr th { vertical-align: top }
.dataframe thead th { text-align: right }

pop_est continent name iso_a3 gdp_md_est geometry
0 920938 Oceania Fiji FJI 8374.0 MULTIPOLYGON (((180.00000 -16.06713, 180.00000...
1 53950935 Africa Tanzania TZA 150600.0 POLYGON ((33.90371 -0.95000, 34.07262 -1.05982...
2 603253 Africa W. Sahara ESH 906.5 POLYGON ((-8.66559 27.65643, -8.66512 27.58948...
3 35623680 North America Canada CAN 1674000.0 MULTIPOLYGON (((-122.84000 49.00000, -122.9742...
4 326625791 North America United States of America USA 18560000.0 MULTIPOLYGON (((-122.84000 49.00000, -120.0000... 
world.plot()


<matplotlib.axes._subplots.AxesSubplot at 0x7f17b270fe10>


# 读取自带世界各大城市数据集

cities = gpd.read_file(gpd.datasets.get_path('naturalearth_cities'))

# 名字，地理位置数据

cities.head()
.dataframe tbody tr th:only-of-type { vertical-align: middle }
\3cpre>\3ccode>.dataframe tbody tr th { vertical-align: top }
.dataframe thead th { text-align: right }

name geometry
0 Vatican City POINT (12.45339 41.90328)
1 San Marino POINT (12.44177 43.93610)
2 Vaduz POINT (9.51667 47.13372)
3 Luxembourg POINT (6.13000 49.61166)
4 Palikir POINT (158.14997 6.91664)

分区统计图

GeoPandas可以轻松创建分区统计图（每个形状的颜色基于关联变量值的地图）。只需在plot函数中将参数column设置为要用于指定颜色的列。

# 去除南极地区

world = world[(world.pop_est>0) & (world.name!="Antarctica")]

# 计算人均gpd

world['gdp_per_cap'] = world.gdp_md_est / world.pop_est

# 绘图

world.plot(column='gdp_per_cap')


<matplotlib.axes._subplots.AxesSubplot at 0x7f17b241f390>

图例设置

legend=True即可展示图例。

import matplotlib.pyplot as plt

fig, ax = plt.subplots(1, 1)

# 根据人口绘图数绘制

world.plot(column='pop_est', ax=ax, legend=True)


<matplotlib.axes._subplots.AxesSubplot at 0x7f17b23585d0>

但是我们会发现绘图区域和图例区域不对齐，我们通过mpl_toolkits设置图例轴，并通过cax参数直接控制plot函数的图例绘制。

from mpl_toolkits.axes_grid1 import make_axes_locatable

fig, ax = plt.subplots(1, 1)

divider = make_axes_locatable(ax)

# 设置图例，right表示位置，size=5%表示图例宽度，pad表示图例离图片间距

cax = divider.append_axes("right", size="5%", pad=0.2)

world.plot(column='pop_est', ax=ax, legend=True, cax=cax)


<matplotlib.axes._subplots.AxesSubplot at 0x7f17b21de650>

此外我们可以通过legend_kwds设置图例信息和方向，就像matplotlib那样。

import matplotlib.pyplot as plt

fig, ax = plt.subplots(1, 1)

world.plot(column='pop_est',

           ax=ax,

           legend=True,

           legend_kwds={'label': "Population by Country and Area",

                        'orientation': "horizontal"})


<matplotlib.axes._subplots.AxesSubplot at 0x7f17b20ec110>

颜色设置

GeoPandas的绘图函数中通过cmap参数设置颜色图，具体cmap参数的设置可以见matplotlib颜色图选择教程。

# 设置颜色图为tab20

world.plot(column='gdp_per_cap', cmap='tab20')


<matplotlib.axes._subplots.AxesSubplot at 0x7f17b205a490>

如果只想绘制边界，可以调用boundary属性进行绘制。

world.boundary.plot()


<matplotlib.axes._subplots.AxesSubplot at 0x7f15ac1cecd0>

缺失数据绘制

当绘制项某些地图的数据缺失时，GeoPandas会自动放弃这些区域数据的绘制。如下所示。将Africa地区的gdp_per_cap数据设置为确实，那么将不在地图上绘制Africa地区的图形。

import numpy as np

world.loc[world[world.continent=="Africa"].index, 'gdp_per_cap'] = np.nan

world.plot(column='gdp_per_cap')


<matplotlib.axes._subplots.AxesSubplot at 0x7f15ac0afe50>

如果我们想要在地图上展示缺失值的地区，可以通过missing_kwds设置相应的参数。如下所示：

# 将缺失值地区颜色设置为lightgrey

world.plot(column='gdp_per_cap', missing_kwds={'color': 'lightgrey'})


<matplotlib.axes._subplots.AxesSubplot at 0x7f15ac094250>



# 更复杂的例子，hatch表示内部图像样式

ax = world.plot(column='gdp_per_cap', missing_kwds={'color': 'lightgrey','edgecolor':'red',"hatch": "///","label": "Missing values"})

# 不显示坐标轴

ax.set_axis_off();

图层设置

当我们需要叠加多张地图或多个数据的结果，则需要用到地图的图层。GeoPandas提供了两种方式进行图层设置，但是要注意的是在合并地图之前，始终确保它们共享一个共同的坐标参考系crs。如将world地图和cities地图合并绘制。

# 以world数据集为准，对齐crs

cities.plot(marker='*', color='green', markersize=5)

cities = cities.to_crs(world.crs)

第一种方式最为简单，直接通过ax参数控制绘图轴来实现图层叠加。

# base为绘图轴

base = world.plot(color='white', edgecolor='black')

cities.plot(ax=base, marker='o', color='red', markersize=5);

第二种方式最为灵活，即通过matplotlib控制绘图。如果想要绘制更加美观的地图，这种方式更加推荐，但是需要了解matplotlib的使用。

import matplotlib.pyplot as plt

# 设置绘图轴

fig, ax = plt.subplots()

ax.set_aspect('equal')

world.plot(ax=ax, color='white', edgecolor='black')

cities.plot(ax=ax, marker='o', color='red', markersize=5)

plt.show()

图层顺序控制

如果我们需要控制地图图层的展示顺序，即哪张图片显示在前。一种办法是通过绘图顺序设置，后绘制的数据的图层顺序越靠上。一种是通过zorder参数设置图层顺序，zorder值越大，表示图层顺序越靠上。如下所示：

# cities先绘制，则图层顺序更靠下，导致一些数据点被world图层遮盖。

ax = cities.plot(color='k')

world.plot(ax=ax);



# 调整绘图顺序，完整显示cities数据点

ax = world.plot()

cities.plot(ax=ax,color='k')


<matplotlib.axes._subplots.AxesSubplot at 0x7f159d535f10>



# 通过zorder参数设置图层顺序，完整显示cities数据点

ax = cities.plot(color='k',zorder=2)

world.plot(ax=ax,zorder=1)


<matplotlib.axes._subplots.AxesSubplot at 0x7f159d4e8a10>

Pandas Plots

GeoPandas的Plot函数还允许设置kind参数绘制不同类型的图形，kind默认为geo（地图），其他可选参数与pandas默认提供的绘图函数一致。pandas默认提供的绘图函数见：Chart visualization。

gdf = world.head(10)

gdf.plot(kind='scatter', x="pop_est", y="gdp_md_est")


<matplotlib.axes._subplots.AxesSubplot at 0x7f159d5d69d0>

1.2 绘图实例之中国地图绘制

该实例主要参考：

1 读取地图数据

import geopandas as gpd

import matplotlib.pyplot as plt

# 读取中国地图数据，数据来自DataV.GeoAtlas，将其投影到EPSG:4573

data = gpd.read_file('https://geo.datav.aliyun.com/areas_v3/bound/100000_full.json').to_crs('EPSG:4573')

# 中国有34个省级行政区，最后一条数据为南海九段线

data.shape


(35, 8)


# 保存各个省级行政区的面积，单位万平方公里

data['area'] = data.area/1e6/1e4

# 中国疆域总面积，和官方数据会有差距

data['area'].sum()


989.1500769770855


# 查看最后五条数据

data.tail()
.dataframe tbody tr th:only-of-type { vertical-align: middle }
\3cpre>\3ccode>.dataframe tbody tr th { vertical-align: top }
.dataframe thead th { text-align: right }

adcode name adchar childrenNum level parent subFeatureIndex geometry area
30 650000 新疆维吾尔自治区 NaN 24.0 province {'adcode': 100000} 30.0 MULTIPOLYGON (((17794320.693 4768675.631, 1779... 175.796459
31 710000 台湾省 NaN 0.0 province {'adcode': 100000} 31.0 MULTIPOLYGON (((20103629.026 2566628.808, 2011... 4.090259
32 810000 香港特别行政区 NaN 18.0 province {'adcode': 100000} 32.0 MULTIPOLYGON (((19432072.340 2517924.724, 1942... 0.125928
33 820000 澳门特别行政区 NaN 8.0 province {'adcode': 100000} 33.0 MULTIPOLYGON (((19385068.278 2470740.132, 1939... 0.004702
34 100000_JD JD NaN NaN NaN NaN MULTIPOLYGON (((20309263.208 2708129.155, 2032... 0.280824 
# 拆分数据

nine_dotted_line = data.iloc[-1]

data = data[:-1]

nine_dotted_line


adcode                                                     100000_JD

name

adchar                                                            JD

childrenNum                                                      NaN

level                                                            NaN

parent                                                           NaN

subFeatureIndex                                                  NaN

geometry           MULTIPOLYGON (((20309263.208229765 2708129.154...

area                                                        0.280824

Name: 34, dtype: object

2 地图绘制

# 创建画布matplotlib

fig, ax = plt.subplots(figsize=(12, 9))

# 绘制主要区域

ax = data.plot(ax=ax)

# 绘制九段线

ax = gpd.GeoSeries(nine_dotted_line.geometry).plot(ax=ax,edgecolor='red',linewidth=3)

# 保存结果

fig.savefig('res.png', dpi=300, bbox_inches='tight')

3 绘图自定义

# 创建画布matplotlib

fig, ax = plt.subplots(figsize=(12, 9))

# 绘制主要区域

ax = data.plot(ax=ax,facecolor='grey',edgecolor='lightgrey',alpha=0.8,linewidth=1)

# 绘制九段线

ax = gpd.GeoSeries(nine_dotted_line.geometry).plot(ax=ax,edgecolor='grey',linewidth=3)

# 强调首都

ax = data[data.name=="北京市"].representative_point().plot(ax=ax, facecolor='red',marker='*', markersize=150) 

# 强调港澳台

# 设置字体

fontdict = {'family':'FZSongYi-Z13S', 'size':8, 'color': "blue",'weight': 'bold'}

for index in data[data.adcode.isin(['710000','810000','820000'])].index:

    if data.iloc[index]['name'] == "台湾省":

        x = data.iloc[index].geometry.centroid.x

        y = data.iloc[index].geometry.centroid.y

        name = "台湾省"

        ax.text(x, y, name, ha="center", va="center", fontdict=fontdict)

    elif data.iloc[index]['name'] == "香港特别行政区":

        x = data.iloc[index].geometry.centroid.x

        y = data.iloc[index].geometry.centroid.y

        name = "香港"

        ax.text(x, y, name, ha="left", va="top", fontdict=fontdict)

        gpd.GeoSeries(data.iloc[index].geometry.centroid).plot(ax=ax, facecolor='black', markersize=5)

    elif data.iloc[index]['name'] == "澳门特别行政区":

        x = data.iloc[index].geometry.centroid.x

        y = data.iloc[index].geometry.centroid.y

        name = "澳门"

        ax.text(x, y, name, ha="right", va="top", fontdict=fontdict)

        gpd.GeoSeries(data.iloc[index].geometry.centroid).plot(ax=ax, facecolor='black', markersize=5)

# 移除坐标轴

ax.axis('off')


(15508157.566510478, 20969512.421140186, 92287.20109282521, 6384866.68627745)

4 图例设置

这里采用单独绘制图例的方式来创建图例，需要对matplotlib使用有一定的了解。

# 创建画布matplotlib

fig, ax = plt.subplots(figsize=(12, 9))

# 绘制主要区域

ax = data.plot(ax=ax,facecolor='grey',edgecolor='lightgrey',alpha=0.8,linewidth=1)

# 绘制九段线

ax = gpd.GeoSeries(nine_dotted_line.geometry).plot(ax=ax,edgecolor='grey',linewidth=3)

# 强调首都

ax = data[data.name=="北京市"].representative_point().plot(ax=ax, facecolor='red',marker='*', markersize=150) 

# 强调港澳台

# 设置字体

fontdict = {'family':'FZSongYi-Z13S', 'size':8, 'color': "blue",'weight': 'bold'}

# 这一段代码可能因为不同matplotlib版本出现不同结果

for index in data[data.adcode.isin(['710000','810000','820000'])].index:

    if data.iloc[index]['name'] == "台湾省":

        x = data.iloc[index].geometry.centroid.x

        y = data.iloc[index].geometry.centroid.y

        name = "台湾省"

        ax.text(x, y, name, ha="center", va="center", fontdict=fontdict)

    elif data.iloc[index]['name'] == "香港特别行政区":

        x = data.iloc[index].geometry.centroid.x

        y = data.iloc[index].geometry.centroid.y

        name = "香港"

        ax.text(x, y, name, ha="left", va="top", fontdict=fontdict)

        gpd.GeoSeries(data.iloc[index].geometry.centroid).plot(ax=ax, facecolor='black', markersize=5)

    elif data.iloc[index]['name'] == "澳门特别行政区":

        x = data.iloc[index].geometry.centroid.x

        y = data.iloc[index].geometry.centroid.y

        name = "澳门"

        ax.text(x, y, name, ha="right", va="top", fontdict=fontdict)

        gpd.GeoSeries(data.iloc[index].geometry.centroid).plot(ax=ax, facecolor='black', markersize=5)

# 移除坐标轴

ax.axis('off')

# 单独绘制图例

plt.rcParams["font.family"] = 'FZSongYi-Z13S'

ax.scatter([], [], c='red', s=80,  marker='*', label='首都')

ax.plot([], [], c='grey',linewidth=3, label='南海九段线')

# 设置图例顺序

handles, labels = ax.get_legend_handles_labels()

ax.legend(handles[::-1], labels[::-1], title="图例",frameon=True, shadow=True, loc="lower left",fontsize=10)

# ax.legend(title="图例",frameon=True, shadow=True, loc="lower left",fontsize=10)


<matplotlib.legend.Legend at 0x7f159cbe7510>

5 小地图绘制

在很多中国地图中，南海诸岛区域都是在右下角的小地图单独绘制。在GeoPandas中想要实现这一功能，可以通过matplotlib的add_axes函数实现。add_axes主要功能为为新增绘图子区域，该区域可以位于画布中任意区域，且可设置任意大小。add_axes输入参数为(left, bottom, width, height)，left, bottom表示相对画布的比例坐标，width和height表示相对画布的比例长宽。

这种绘图方式非常不专业，也不推荐，建议只是学习使用思路。具体使用看如下代码。

# 创建画布

fig = plt.figure(figsize=(6,3))

# 创建一个填充整个画布的子图

ax = fig.add_axes((0,0,1,1))

# 从画布宽40%，高40%处绘制子图

ax_child = fig.add_axes((0.4,0.4,0.2,0.2))

具体添加小地图首先确定中国大陆区域范围和南海范围，然后分开绘制。

from shapely.geometry import Point

# 设中国大陆区域范围和南海范围，估计得到

bound = gpd.GeoDataFrame({

    'x': [80, 140, 106.5, 123],

    'y': [15, 50, 2.8, 24.5]

})

bound.geometry = bound.apply(lambda row: Point([row['x'], row['y']]), axis=1)

# 初始化CRS

bound.crs = 'EPSG:4326'

bound = bound.to_crs('EPSG:4573')

bound
.dataframe tbody tr th:only-of-type { vertical-align: middle }
\3cpre>\3ccode>.dataframe tbody tr th { vertical-align: top }
.dataframe thead th { text-align: right }

x y geometry
0 80.0 15.0 POINT (15734050.166 1822879.627)
1 140.0 50.0 POINT (20972709.719 6154280.305)
2 106.5 2.8 POINT (18666803.134 309722.667)
3 123.0 24.5 POINT (20344370.888 2833592.614) 
# 创建画布matplotlib

fig, ax = plt.subplots(figsize=(12, 9))

# 绘制主要区域

ax = data.plot(ax=ax,facecolor='grey',edgecolor='lightgrey',alpha=0.8,linewidth=1)

# 绘制九段线

ax = gpd.GeoSeries(nine_dotted_line.geometry).plot(ax=ax,edgecolor='grey',linewidth=3)

# 强调首都

ax = data[data.name=="北京市"].representative_point().plot(ax=ax, facecolor='red',marker='*', markersize=150) 

# 强调港澳台

# 设置字体

fontdict = {'family':'FZSongYi-Z13S', 'size':8, 'color': "blue",'weight': 'bold'}

# 这一段代码可能因为不同matplotlib版本出现不同结果

for index in data[data.adcode.isin(['710000','810000','820000'])].index:

    if data.iloc[index]['name'] == "台湾省":

        x = data.iloc[index].geometry.centroid.x

        y = data.iloc[index].geometry.centroid.y

        name = "台湾省"

        ax.text(x, y, name, ha="center", va="center", fontdict=fontdict)

    elif data.iloc[index]['name'] == "香港特别行政区":

        x = data.iloc[index].geometry.centroid.x

        y = data.iloc[index].geometry.centroid.y

        name = "香港"

        ax.text(x, y, name, ha="left", va="top", fontdict=fontdict)

        gpd.GeoSeries(data.iloc[index].geometry.centroid).plot(ax=ax, facecolor='black', markersize=5)

    elif data.iloc[index]['name'] == "澳门特别行政区":

        x = data.iloc[index].geometry.centroid.x

        y = data.iloc[index].geometry.centroid.y

        name = "澳门"

        ax.text(x, y, name, ha="right", va="top", fontdict=fontdict)

        gpd.GeoSeries(data.iloc[index].geometry.centroid).plot(ax=ax, facecolor='black', markersize=5)

# 设置大陆区域范围

ax.set_xlim(bound.geometry[0].x, bound.geometry[1].x)

ax.set_ylim(bound.geometry[0].y, bound.geometry[1].y)

# 移除坐标轴

ax.axis('off')

# 单独绘制图例

plt.rcParams["font.family"] = 'FZSongYi-Z13S'

ax.scatter([], [], c='red', s=80,  marker='*', label='首都')

ax.plot([], [], c='grey',linewidth=3, label='南海九段线')

# 设置图例顺序

handles, labels = ax.get_legend_handles_labels()

ax.legend(handles[::-1], labels[::-1], title="图例",frameon=True, shadow=True, loc="lower left",fontsize=10)

# ax.legend(title="图例",frameon=True, shadow=True, loc="lower left",fontsize=10)

# 创建南海插图对应的子图，调整这些参数以调整地图位置

ax_child = fig.add_axes([0.75, 0.15, 0.2, 0.2])

ax_child = data.plot(ax=ax_child,facecolor='grey',edgecolor='lightgrey',alpha=0.8,linewidth=1)

# 绘制九段线

ax_child = gpd.GeoSeries(nine_dotted_line.geometry).plot(ax=ax_child,edgecolor='grey',linewidth=3)

# 设置子图显示范围

ax_child.set_xlim(bound.geometry[2].x, bound.geometry[3].x)

ax_child.set_ylim(bound.geometry[2].y, bound.geometry[3].y)

ax_child.text(0.98,0.02,'Produced by luohenyueji',transform = ax.transAxes,

        ha='center', va='center',fontsize = 12,color='black')

# 移除子图坐标轴

ax_child.set_xticks([])

ax_child.set_yticks([])

fig.savefig('res.png', dpi=300, bbox_inches='tight')

2 分层设色

2.1 分层设色基本介绍

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

import geopandas as gpd

import matplotlib.pyplot as plt

import pandas as pd

plt.rcParams["font.family"] = 'FZSongYi-Z13S'

# 数据来自互联网

gdp = pd.read_csv("2022江苏省各市GDP.csv")

gdp
.dataframe tbody tr th:only-of-type { vertical-align: middle }
\3cpre>\3ccode>.dataframe tbody tr th { vertical-align: top }
.dataframe thead th { text-align: right }

排行 地级市 2022年GDP（亿元）
0 1 苏州市 23958.3
1 2 南京市 16907.9
2 3 无锡市 14850.8
3 4 南通市 11379.6
4 5 常州市 9550.1
5 6 徐州市 8457.8
6 7 盐城市 7079.8
7 8 扬州市 6696.4
8 9 泰州市 6401.8
9 10 镇江市 5017.0
10 11 淮安市 4742.4
11 12 宿迁市 4112.0
12 13 连云港市 4005.0 
# 读取江苏地图数据，数据来自DataV.GeoAtlas，将其投影到EPSG:4573

data = gpd.read_file('https://geo.datav.aliyun.com/areas_v3/bound/320000_full.json').to_crs('EPSG:4573')

# 合并数据

data = data.join(gdp.set_index('地级市')["2022年GDP（亿元）"],on='name')

# 修改列名

data.rename(columns={'2022年GDP（亿元）':'GDP'},inplace=True)

data.head()
.dataframe tbody tr th:only-of-type { vertical-align: middle }
\3cpre>\3ccode>.dataframe tbody tr th { vertical-align: top }
.dataframe thead th { text-align: right }

adcode name childrenNum level parent subFeatureIndex geometry GDP
0 320100 南京市 11 city {'adcode': 320000} 0 MULTIPOLYGON (((19828216.260 3681802.361, 1982... 16907.9
1 320200 无锡市 7 city {'adcode': 320000} 1 MULTIPOLYGON (((19892555.472 3541293.638, 1989... 14850.8
2 320300 徐州市 10 city {'adcode': 320000} 2 MULTIPOLYGON (((19736418.457 3894748.096, 1973... 8457.8
3 320400 常州市 6 city {'adcode': 320000} 3 MULTIPOLYGON (((19927182.917 3638819.801, 1992... 9550.1
4 320500 苏州市 9 city {'adcode': 320000} 4 MULTIPOLYGON (((19929872.531 3547724.116, 1993... 23958.3 
fig, ax = plt.subplots(figsize=(9, 9))

# legend_kwds设置matplotlib的legend参数

data.plot(ax=ax,column='GDP', cmap='coolwarm', legend=True,legend_kwds={'label': "GDP（亿元）", 'shrink':0.5})

ax.axis('off')

# 设置

fontdict = {'family':'FZSongYi-Z13S', 'size':8, 'color': "black",'weight': 'bold'}

# 设置标题

ax.set_title('江苏省地级市2022年GDP数据可视化', fontsize=24)

for index in data.index:

    x = data.iloc[index].geometry.centroid.x

    y = data.iloc[index].geometry.centroid.y

    name = data.iloc[index]["name"]

    if name in ["苏州市","无锡市"]:

        x = x*1.001

    ax.text(x, y, name, ha="center", va="center", fontdict=fontdict)

# 保存图片

fig.savefig('res.png', dpi=300, bbox_inches='tight')

可以看到在上述地图中，由于苏州市的数值太大，其他数据被压缩到浅色区域，无法有效展示数据分布。需要使用地图分层设色来更好地展示数据。地图分层设色是一种常见的地图可视化方式，它可以将地图上的数据按照不同的分类进行分层，并对每一层数据进行不同的颜色设定，以便更加直观地展现地理空间数据的分布情况和特征。

在本文通过Python模块mapclassify用于分层设色和数据可视化。使用mapclassify之前需要输入以下命令安装相关模块：

pip install mapclassify

mapclassify官方仓库见：mapclassify。mapclassify提供了多种分组方法，可以帮助我们更好地理解数据的分布情况，mapclassify提供的方法包括：

  • BoxPlot: 基于箱线图的分类方法。这种分类方法适用于数据分布比较规律的情况。
  • EqualInterval: 等距离分类方法。这种分类方法将数据划分为等距离的若干区间。适用于数据分布比较均匀的情况。
  • FisherJenks: 基于Fisher-Jenks算法的分类方法。这种分类方法将数据划分为若干区间，使得每个区间内部的差异最小，不同区间之间的差异最大。适用于数据分布比较不规律的情况。
  • HeadTailBreaks: 基于Head-Tail算法的分类方法。这种分类方法将给定的数据集分为两部分：头部和尾部。头部通常包含出现频率最高的值，而尾部包含出现频率较低的值。适用于识别数据集中的异常值和离群值。
  • JenksCaspall: 基于Jenks-Caspall算法的分类方法。这种分类方法根据数据中发现的自然分组将数据集划分为类。适用于需要将数据分类为几个具有明显含义的区间的情况。
  • JenksCaspallForced: 强制基于Jenks-Caspall算法的分类方法。与JenksCaspall算法类似，但是它对区间的数量和大小有更强的控制力。适用于需要精确控制区间数量和大小的情况。
  • JenksCaspallSampled: 采样基于Jenks-Caspall算法的分类方法。该方法对数据进行采样，然后使用Jenks-Caspall算法对采样后的数据进行分类，适用于数据量比较大的情况。
  • MaxP: 基于最大界限的分类方法。这种分类方法将数据划分为几个区间，使得不同区间之间的差异最大。适用于需要将数据分类为几个具有明显差异的区间的情况。
  • MaximumBreaks: 基于最大间隔的分类方法。这种分类方法与MaxP算法类似，但是它更加注重区间的可理解性。适用于需要将数据分类为几个具有明显含义的区间的情况。
  • NaturalBreaks: 基于自然间隔的分类方法。这种分类方法将数据划分为几个区间，使得每个区间内部的差异最小，不同区间之间的差异最大。适用于数据分布比较不规律的情况
  • Quantiles: 基于分位数的分类方法。
  • Percentiles: 基于百分位数的分类方法。
  • StdMean: 基于标准差分组的分类方法。
  • UserDefined: 基于自定义分组的分类方法。

关于以上常用方法的具体介绍可以看看基于geopandas的空间数据分析——深入浅出分层设色。mapclassify对数据进行分类简单使用方法如下：

示例1

import mapclassify

# 导入示例数据

y = mapclassify.load_example()

print(type(y))

print(y.mean(),y.min(), y.max())

y.head()


<class 'pandas.core.series.Series'>

125.92810344827588 0.13 4111.45

0    329.92

1      0.42

2      5.90

3     14.03

4      2.78

Name: emp/sq km, dtype: float64


mapclassify.EqualInterval(y)


EqualInterval

     Interval        Count

--------------------------

[   0.13,  822.39] |    57

( 822.39, 1644.66] |     0

(1644.66, 2466.92] |     0

(2466.92, 3289.19] |     0

(3289.19, 4111.45] |     1

示例2

y = [1,2,3,4,5,6,7,8,9,0]

# 分为四个区间

mapclassify.JenksCaspall(y, k=4)


JenksCaspall

  Interval     Count

--------------------

[0.00, 2.00] |     3

(2.00, 4.00] |     2

(4.00, 6.00] |     2

(6.00, 9.00] |     3

示例3

y = [1,2,3,4,5,6,7,8,9,0]

# 自定义区间

mapclassify.UserDefined(y, bins=[5, 8, 9])


UserDefined

  Interval     Count

--------------------

[0.00, 5.00] |     6

(5.00, 8.00] |     3

(8.00, 9.00] |     1

示例4

import mapclassify

import pandas

from numpy import linspace as lsp

demo = [lsp(3,8,num=10), lsp(10, 0, num=10), lsp(-5, 15, num=10)]

demo = pandas.DataFrame(demo).T

demo.head()
.dataframe tbody tr th:only-of-type { vertical-align: middle }
\3cpre>\3ccode>.dataframe tbody tr th { vertical-align: top }
.dataframe thead th { text-align: right }

0 1 2
0 3.000000 10.000000 -5.000000
1 3.555556 8.888889 -2.777778
2 4.111111 7.777778 -0.555556
3 4.666667 6.666667 1.666667
4 5.222222 5.555556 3.888889 
# 使用apply函数应用分层，rolling表示是否进行滑动窗口计算以消除随机波动

demo.apply(mapclassify.Quantiles.make(rolling=True)).head()
.dataframe tbody tr th:only-of-type { vertical-align: middle }
\3cpre>\3ccode>.dataframe tbody tr th { vertical-align: top }
.dataframe thead th { text-align: right }

0 1 2
0 0 4 0
1 0 4 0
2 1 4 0
3 1 3 0
4 2 2 1

2.2 绘图实例之用于地图的分层设色

方法1

GeoPandas中分层设色可以通过plot函数中的scheme参数和k参数设置数据分层方式和分层类别数。如下所示，通过JenksCaspall将GDP数据分为4级，可以直观看到GDP数据在第一梯队的城市有哪些。

fig, ax = plt.subplots(figsize=(9, 9))

# 使用分层设色后,legend_kwds要进行相应修改

data.plot(ax=ax,column='GDP', cmap='coolwarm', legend=True,scheme='JenksCaspall',k=4,legend_kwds={

                                                     'loc': 'lower left',

                                                     'title': 'GDP数据分级（亿元）',

                                                 })

ax.axis('off')

# 设置

fontdict = {'family':'FZSongYi-Z13S', 'size':8, 'color': "black",'weight': 'bold'}

# 设置标题

ax.set_title('江苏省地级市2022年GDP数据可视化', fontsize=24)

for index in data.index:

    x = data.iloc[index].geometry.centroid.x

    y = data.iloc[index].geometry.centroid.y

    name = data.iloc[index]["name"]

    if name in ["苏州市","无锡市"]:

        x = x*1.001

    ax.text(x, y, name, ha="center", va="center", fontdict=fontdict)

# 保存图片

fig.savefig('res.png', dpi=300, bbox_inches='tight')

方法2

在GeoPandas中也可以通过mapclassify直接处理数据，生成新的数据列进行展示。通过该种方式可以看到，苏州和南京的GDP领先于其他地级市。

# 创建分类器

classifier = mapclassify.HeadTailBreaks(data['GDP'])

classifier


HeadTailBreaks

      Interval         Count

----------------------------

[ 4005.00,  9473.76] |     8

( 9473.76, 15329.34] |     3

(15329.34, 20433.10] |     1

(20433.10, 23958.30] |     1


# 赋值数据

data['GDP_class'] = data['GDP'].apply(classifier)

data['GDP_class'] = data['GDP_class'].apply(lambda x : int(x))

data.head()
.dataframe tbody tr th:only-of-type { vertical-align: middle }
\3cpre>\3ccode>.dataframe tbody tr th { vertical-align: top }
.dataframe thead th { text-align: right }

adcode name childrenNum level parent subFeatureIndex geometry GDP GDP_class
0 320100 南京市 11 city {'adcode': 320000} 0 MULTIPOLYGON (((19828216.260 3681802.361, 1982... 16907.9 2
1 320200 无锡市 7 city {'adcode': 320000} 1 MULTIPOLYGON (((19892555.472 3541293.638, 1989... 14850.8 1
2 320300 徐州市 10 city {'adcode': 320000} 2 MULTIPOLYGON (((19736418.457 3894748.096, 1973... 8457.8 0
3 320400 常州市 6 city {'adcode': 320000} 3 MULTIPOLYGON (((19927182.917 3638819.801, 1992... 9550.1 1
4 320500 苏州市 9 city {'adcode': 320000} 4 MULTIPOLYGON (((19929872.531 3547724.116, 1993... 23958.3 3 
import matplotlib.colors as colors

fig, ax = plt.subplots(figsize=(9, 9))

# 设置分层颜色条

cmap = plt.cm.get_cmap('coolwarm', len(set(data['GDP_class'])))

# vmax和vmin设置是为了让等级值居中

data.plot(ax=ax,column='GDP_class', cmap=cmap, legend=False,vmin=-0.5,vmax=3.5)

ax.axis('off')

# 设置Colorbar的刻度

cbar = ax.get_figure().colorbar(ax.collections[0],shrink=0.5)

cbar.set_ticks([0,1,2,3])

cbar.set_label('GDP数据分级')

cbar.set_ticklabels(['等级0','等级1','等级2','等级3'])

# 隐藏刻度线

ticks = cbar.ax.get_yaxis().get_major_ticks()

for tick in ticks:

    tick.tick1line.set_visible(False)

    tick.tick2line.set_visible(False)

# 设置

fontdict = {'family':'FZSongYi-Z13S', 'size':8, 'color': "black",'weight': 'bold'}

# 设置标题

ax.set_title('江苏省地级市2022年GDP数据可视化', fontsize=24)

for index in data.index:

    x = data.iloc[index].geometry.centroid.x

    y = data.iloc[index].geometry.centroid.y

    name = data.iloc[index]["name"]

    if name in ["苏州市","无锡市"]:

        x = x*1.001

    ax.text(x, y, name, ha="center", va="center", fontdict=fontdict)

# 保存图片

fig.savefig('res.png', dpi=300, bbox_inches='tight')

方法3

分层设色不仅可以设置各区域的颜色，也可以设置各区域的填充图案

# 创建分类器

classifier = mapclassify.MaximumBreaks(data['GDP'], k=3)

classifier


MaximumBreaks

      Interval         Count

----------------------------

[ 4005.00, 13115.20] |    10

(13115.20, 20433.10] |     2

(20433.10, 23958.30] |     1


# 赋值数据

data['GDP_class'] = data['GDP'].apply(classifier)

data['GDP_class'] = data['GDP_class'].apply(lambda x : int(x))

data.head()
.dataframe tbody tr th:only-of-type { vertical-align: middle }
\3cpre>\3ccode>.dataframe tbody tr th { vertical-align: top }
.dataframe thead th { text-align: right }

adcode name childrenNum level parent subFeatureIndex geometry GDP GDP_class
0 320100 南京市 11 city {'adcode': 320000} 0 MULTIPOLYGON (((19828216.260 3681802.361, 1982... 16907.9 1
1 320200 无锡市 7 city {'adcode': 320000} 1 MULTIPOLYGON (((19892555.472 3541293.638, 1989... 14850.8 1
2 320300 徐州市 10 city {'adcode': 320000} 2 MULTIPOLYGON (((19736418.457 3894748.096, 1973... 8457.8 0
3 320400 常州市 6 city {'adcode': 320000} 3 MULTIPOLYGON (((19927182.917 3638819.801, 1992... 9550.1 0
4 320500 苏州市 9 city {'adcode': 320000} 4 MULTIPOLYGON (((19929872.531 3547724.116, 1993... 23958.3 2 
import matplotlib.patches as mpatches

# 设置图案列表

patterns = ["///", "",  "*", "\\\\",".", "o",  "O",]

cmap = plt.cm.get_cmap('coolwarm', len(set(data['GDP_class'])))

color_list = cmap([0,1,2])

fig, ax = plt.subplots(figsize=(9, 9))

# 自定义图示

legend_list = []

# 按层次设置legend

for i in set(data['GDP_class']):

    tmp = data[data['GDP_class']==i]

    tmp.plot(ax=ax,column='GDP_class', legend=False,hatch=patterns[i],edgecolor='black',color=color_list[i], linestyle='-',linewidth=2)

    legend_list.append(

        mpatches.Patch(facecolor=color_list[i], edgecolor='black',linestyle='-', linewidth=2,hatch=patterns[i], label='等级{}'.format(i))

    )

ax.axis('off')

# 设置标题

ax.set_title('江苏省地级市2022年GDP数据可视化', fontsize=24) 

# 自定义图示

ax.legend(handles = legend_list, loc='best', fontsize=12, title='GDP数据分级', shadow=True)

# 保存图片

fig.savefig('res.png', dpi=300, bbox_inches='tight')

3 参考

[数据分析与可视化] Python绘制数据地图2-GeoPandas地图可视化的更多相关文章

  1. 数据挖掘（二）用python实现数据探索：汇总统计和可视化

    今天我们来讲一讲有关数据探索的问题.其实这个概念还蛮容易理解的,就是我们刚拿到数据之后对数据进行的一个探索的过程,旨在了解数据的属性与分布,发现数据一些明显的规律,这样的话一方面有助于我们进行数据预处 ...

  2. 纯Python绘制艺术感满满的山脊地图，创意满分

    1 简介 下面的这幅图是英国摇滚乐队 Joy Division 在1979年发行的其第一张录音室专辑 Unknown Pleasures 的封面,由艺术家 Peter Saville 基于射电脉冲星信 ...

  3. Windows下使用python绘制caffe中.prototxt网络结构数据可视化

    准备工具: 1. 已编译好的pycaffe 2. Anaconda(python2.7) 3. graphviz 4. pydot  1. graphviz安装 graphviz是贝尔实验室开发的一个 ...

  4. iOS可视化动态绘制连通图

    上篇博客<iOS可视化动态绘制八种排序过程>可视化了一下一些排序的过程,本篇博客就来聊聊图的东西.在之前的博客中详细的讲过图的相关内容,比如<图的物理存储结构与深搜.广搜>.当 ...

  5. iOS可视化动态绘制连通图(Swift版)

    上篇博客<iOS可视化动态绘制八种排序过程>可视化了一下一些排序的过程,本篇博客就来聊聊图的东西.在之前的博客中详细的讲过图的相关内容,比如<图的物理存储结构与深搜.广搜>.当 ...

  6. Python分析数据难吗？某科技大学教授说，很难但有方法就简单

    用python分析数据难吗?某科技大学的教授这样说,很难,但要讲方法,主要是因为并不是掌握了基础,就能用python来做数据分析的. 所谓python的基础,也就是刚入门的python学习者,学习的基 ...

  7. Apache Superset 1.2.0教程 （二）——快速入门（可视化王者英雄数据）

    上一篇我们已经成功的安装了superset,那么该如何可视化我们的数据呢?本文将可视化王者英雄的数据,快速的入门Superset. 一.连接数据源 首先确保mysql可以正常连接使用,并且准备好数据. ...

  8. Python：数据可视化pyecharts的使用

    什么是pyecharts? pyecharts 是一个用于生成 Echarts 图表的类库. echarts 是百度开源的一个数据可视化 JS 库,主要用于数据可视化.pyecharts 是一个用于生 ...

  9. Python绘制六种可视化图表详解，三维图最炫酷！你觉得呢？

    Python绘制六种可视化图表详解,三维图最炫酷!你觉得呢? 可视化图表,有相当多种,但常见的也就下面几种,其他比较复杂一点,大都也是基于如下几种进行组合,变换出来的.对于初学者来说,很容易被这官网上 ...

  10. Python使用plotly绘制数据图表的方法

    转载:http://www.jb51.net/article/118936.htm 本篇文章主要介绍了Python使用plotly绘制数据图表的方法,实例分析了plotly绘制的技巧. 导语:使用 p ...

随机推荐

  1. 使用idea从零编写SpringCloud项目-Ribbo

    git:https://github.com/bmdcheng/product_server git:https://github.com/bmdcheng/order_server 1.需要创建两个 ...

  2. tail 命令 没有内容输出，记录一种解决

    1. 没有内容输出的命令: tail - f /test/platform/jtimer.log 控制台: 2. 当切换到此文件的当前路径后才有: 使用: tail - f jtimer.log

  3. nRF51822蓝牙学习 进程记录 3：蓝牙协议学习--简单使用

    三天打鱼两天晒网,又学起了蓝牙,不过还好的是终于开始学习蓝牙协议部分了. 但是,一看起来增加了蓝牙协议的例程,真是没头绪啊.本身的教程资料解说太差了,看青风的蓝牙原理详解也是一头雾水. 经过不断地看各 ...

  4. dubbo相关面试题

    1.说说Dubbo的分层? 从大的范围来说,dubbo分为三层,business业务逻辑层由我们自己来提供接口和实现还有一些配置信息,RPC层就是真正的RPC调用的核心层,封装整个RPC的调用过程.负 ...

  5. [Leetcode 108]有序数组转BST二叉搜索树Convert Sorted Array to Binary Search Tree

    题目 https://leetcode.com/problems/convert-sorted-array-to-binary-search-tree/ Given an integer array  ...

  6. [C++] epoll server实例

    // IO多路复用,事件驱动+非阻塞,实现一个线程完成对多个fd的监控和响应,提升CPU利用率 // epoll优点: // 1.select需要每次调用select时拷贝fd,epoll_ctl拷贝 ...

  7. k8s介绍和学习思路

    1. Kubernetes介绍 Kubernetes是一个完备的分布式系统支撑平台.具备完备的集群管理能力,包括多层次的安全防护和准入机制.多租户应用支撑能力.透明的服务注册和服务发现机制.内建的智能 ...

  8. Mac 系统下 xxx.py 在终端运行

    1.在文件中添加注释首先在你所要运行的python文件里首行添加一个特殊的注释(我使用的是python 3.7.3) #!/usr/bin/env python3 注意:如果是python3的话,&q ...

  9. .net Core5.0使用IdentityServer4 进行权限控制

    .net Core5.0使用IdentityServer4 进行权限控制 IdentityServer4  ASP.NET Core的一个包含OpenID Connect和OAuth 2.0协议的框架 ...

  10. How to Change Reset Retrieve the WebLogic Server Administrator Password on WLS 10.3.6 or earlier

    To change the Administrator password on WLS 10.3.6 or earlier, perform the following steps depending ...