Python通过Geopandas实现地理空间数据可视化

pip install geopandas

import geopandas as gpd
import matplotlib.pyplot as plt

gdf = gpd.read_file('path_to_your_shapefile.shp')

# 查看GeoDataFrame的前几行
print(gdf.head())
 
# 查看GeoDataFrame的列名和数据类型
print(gdf.columns)
print(gdf.dtypes)

# 将坐标参考系统转换为WGS84（EPSG:4326）
gdf = gdf.to_crs(epsg=4326)

# 计算每个州的面积
gdf['area'] = gdf.geometry.area
 
# 过滤出面积大于100,000平方公里的州
gdf_filtered = gdf[gdf['area'] > 100000]

# 使用Bounding Box进行裁剪
gdf_clipped = gdf.cx[-125:-66.5, 24.396308:49.384358]

# 绘制地图
gdf.plot()
plt.title("Map of US States")
plt.show()

# 自定义地图样式
gdf.plot(color='lightblue', edgecolor='black')
plt.title('Customized Map of US States')
plt.xlabel('Longitude')
plt.ylabel('Latitude')
plt.show()

# 读取城市数据
cities = gpd.read_file(gpd.datasets.get_path('naturalearth_cities'))
 
# 绘制世界地图和城市数据
world = gpd.read_file(gpd.datasets.get_path('naturalearth_lowres'))
world.plot()
cities.plot(marker='o', color='red', markersize=5)
plt.title('World Map with Cities')
plt.show()

from shapely.geometry import Point
 
# 创建一个点对象代表某个地点的经纬度
point = Point(-74.006, 40.7128)
 
# 空间查询，找出距离该点最近的城市
nearest_city = cities[cities.distance(point).idxmin()]
print("最近的城市是:", nearest_city['name'])

# 根据大陆进行分组
world_grouped = world.groupby('continent').agg({'geometry': 'union'})
world_grouped.plot()
plt.title('World Map Grouped by Continent')
plt.xlabel('Longitude')
plt.ylabel('Latitude')
plt.show()

# 空间缓冲区示例
buffered_area = world.geometry.buffer(5)
buffered_area.plot()
plt.title('Buffered World Map')
plt.xlabel('Longitude')
plt.ylabel('Latitude')
plt.show()

import folium
 
# 创建一个地图对象
m = folium.Map(location=[40.7128, -74.006], zoom_start=10)
 
# 添加城市标记
for idx, row in cities.iterrows():
    folium.Marker([row['latitude'], row['longitude']], popup=row['name']).add_to(m)
 
# 显示地图
m.save('interactive_map.html')

# 假设gdf_buildings为建筑物数据，gdf_roads为道路数据
gdf_buildings['nearest_road_distance'] = gdf_buildings.geometry.apply(lambda building: gdf_roads.distance(building).min())
 
# 绘制建筑物密度图
gdf_buildings.plot(column='nearest_road_distance', legend=True)
plt.title('Building Density Map')
plt.show()

# 假设gdf为土地类型数据
gdf['area'] = gdf.geometry.area
land_use_areas = gdf.groupby('land_use_type')['area'].sum()
 
# 绘制分类图
land_use_areas.plot(kind='bar')
plt.title('Land Use Areas')
plt.xlabel('Land Use Type')
plt.ylabel('Area')
plt.show()