备注

此页面是从 `gallery/choropleths.ipynb`_ _.
互动在线版： Binder badge

来自PYSAL的用于GeoPandas的Clopeth分类方案#

PYSAL图像 PySAL is a Spatial Analysis Library <>, which packages fast spatial algorithms used in various fields. These include Exploratory spatial data analysis, spatial inequality analysis, spatial analysis on networks, spatial dynamics, and many more.

当使用一组颜色绘制测量时，它在地貌熊猫的引擎盖下使用。有许多方法可以将数据分类到不同的箱中，具体取决于许多分类方案。

7332723913334332b3b45031b65794a2

例如，如果我们有20个国家/地区的年平均气温在5摄氏度到25摄氏度之间，我们可以按以下方式将它们分类到4个箱子中：* Quantiles - Separates the rows into equal parts, 5 countries per bin. * 相等间隔-将测量间隔等分成等份，每箱5C。*自然中断(Fischer Jenks)-此算法尝试将行拆分成自然出现的集群。每个面元的数字将取决于观测值在间隔上的位置。

[1]:

import geopandas as gpd
import matplotlib.pyplot as plt

[2]:

# We use a PySAL example shapefile
import libpysal as ps

pth = ps.examples.get_path("columbus.shp")
tracts = gpd.GeoDataFrame.from_file(pth)
print('Observations, Attributes:',tracts.shape)
tracts.head()

Observations, Attributes: (49, 21)

[2]:
AREA PERIMETER COLUMBUS_ COLUMBUS_I POLYID NEIG HOVAL INC CRIME OPEN ... DISCBD X Y NSA NSB EW CP THOUS NEIGNO geometry
0 0.309441 2.440629 2 5 1 5 80.467003 19.531 15.725980 2.850747 ... 5.03 38.799999 44.070000 1.0 1.0 1.0 0.0 1000.0 1005.0 POLYGON ((8.62413 14.23698, 8.55970 14.74245, ...
1 0.259329 2.236939 3 1 2 1 44.567001 21.232 18.801754 5.296720 ... 4.27 35.619999 42.380001 1.0 1.0 0.0 0.0 1000.0 1001.0 POLYGON ((8.25279 14.23694, 8.28276 14.22994, ...
2 0.192468 2.187547 4 6 3 6 26.350000 15.956 30.626781 4.534649 ... 3.89 39.820000 41.180000 1.0 1.0 1.0 0.0 1000.0 1006.0 POLYGON ((8.65331 14.00809, 8.81814 14.00205, ...
3 0.083841 1.427635 5 2 4 2 33.200001 4.477 32.387760 0.394427 ... 3.70 36.500000 40.520000 1.0 1.0 0.0 0.0 1000.0 1002.0 POLYGON ((8.45950 13.82035, 8.47341 13.83227, ...
4 0.488888 2.997133 6 7 5 7 23.225000 11.252 50.731510 0.405664 ... 2.83 40.009998 38.000000 1.0 1.0 1.0 0.0 1000.0 1007.0 POLYGON ((8.68527 13.63952, 8.67758 13.72221, ...

5 rows × 21 columns

谋划犯罪变量#

在本例中，我们将查看俄亥俄州哥伦布市的邻居级统计数据。我们想知道犯罪率变量是如何在城市中分布的。

从 shapefile’s metadata ：>CRIME ：住宅入室盗窃和车辆盗窃每1000户家庭

[3]:

# Let's take a look at how the CRIME variable is distributed with a histogram
tracts['CRIME'].hist(bins=20)
plt.xlabel('CRIME\nResidential burglaries and vehicle thefts per 1000 households')
plt.ylabel('Number of neighbourhoods')
plt.title('Distribution of neighbourhoods by crime rate in Columbus, OH')
plt.show()
../_images/gallery_choropleths_4_0.png

现在让我们看看没有分类方案是什么样子：

[4]:

tracts.plot(column='CRIME', cmap='OrRd', edgecolor='k', legend=True)

[4]:

<AxesSubplot:>
../_images/gallery_choropleths_6_1.png

所有49个街区都是沿着从白到暗红色的渐变上色的，但人眼很难比较彼此相距较远的形状的颜色。在这种情况下，特别难对米色的外围地区进行排名。

取而代之的是，我们将它们分类到颜色箱中。

按分位数分类#

分位数将创建吸引人的地图，在每个类别中放置相同数量的观测：如果您有30个县和6个数据类别，则每个类别中将有5个县。分位数的问题是，您最终得到的类可能具有非常不同的数字范围(例如，1-4、4-9、9-250)。

[5]:

# Splitting the data in three shows some spatial clustering around the center
tracts.plot(column='CRIME', scheme='quantiles', k=3, cmap='OrRd', edgecolor='k', legend=True)

[5]:

<AxesSubplot:>
../_images/gallery_choropleths_9_1.png 
[6]:

# We can also see where the top and bottom halves are located
tracts.plot(column='CRIME', scheme='quantiles', k=2, cmap='OrRd', edgecolor='k', legend=True)

[6]:

<AxesSubplot:>
../_images/gallery_choropleths_10_1.png

等间隔分类#

相等间隔将数据分为相等大小的类别(例如，0-10、10-20、20-30等)。并且在通常分布在整个范围内的数据上效果最好。注意：如果您的数据偏向一端，或者如果您有一个或两个非常大的离群值，请避免使用相等间隔。

[7]:

tracts.plot(column='CRIME', scheme='equal_interval', k=4, cmap='OrRd', edgecolor='k', legend=True)

[7]:

<AxesSubplot:>
../_images/gallery_choropleths_12_1.png 
[8]:

# No legend here as we'd be out of space
tracts.plot(column='CRIME', scheme='equal_interval', k=12, cmap='OrRd', edgecolor='k')

[8]:

<AxesSubplot:>
../_images/gallery_choropleths_13_1.png

按自然间歇进行分类#

自然间歇期是一种“最佳”分类方案，它找到的分类间隔期将最小化类内差异和最大化类间差异。这种方法的一个缺点是每个数据集生成唯一的分类解决方案，并且如果您需要跨地图进行比较，例如在地图集或系列中(例如，1980、1990、2000各有一个地图)，您可能希望使用可应用于所有地图的单个方案。

[9]:

# Compare this to the previous 3-bin figure with quantiles
tracts.plot(column='CRIME', scheme='natural_breaks', k=3, cmap='OrRd', edgecolor='k', legend=True)

[9]:

<AxesSubplot:>
../_images/gallery_choropleths_15_1.png

PYSAL中的其他分类方案#

Geopandas只包括在PYSAL中发现的最常用的量词。为了使用其他列，您需要将它们作为附加列添加到GeoDataFrame中。

Max-p算法基于一组区域、每个区域上的属性矩阵和楼层约束来内生地确定区域的数量(P)。下限约束定义了每个地区变量必须达到的最小范围；例如，约束可能是每个地区必须拥有的最小人口。Max-p进一步对区域内的区域实施邻接约束。

[10]:

def max_p(values, k):
    """
    Given a list of values and `k` bins,
    returns a list of their Maximum P bin number.
    """
    from mapclassify import MaxP
    binning = MaxP(values, k=k)
    return binning.yb

tracts['Max_P'] = max_p(tracts['CRIME'].values, k=5)
tracts.head()

[10]:
AREA PERIMETER COLUMBUS_ COLUMBUS_I POLYID NEIG HOVAL INC CRIME OPEN ... X Y NSA NSB EW CP THOUS NEIGNO geometry Max_P
0 0.309441 2.440629 2 5 1 5 80.467003 19.531 15.725980 2.850747 ... 38.799999 44.070000 1.0 1.0 1.0 0.0 1000.0 1005.0 POLYGON ((8.62413 14.23698, 8.55970 14.74245, ... 0
1 0.259329 2.236939 3 1 2 1 44.567001 21.232 18.801754 5.296720 ... 35.619999 42.380001 1.0 1.0 0.0 0.0 1000.0 1001.0 POLYGON ((8.25279 14.23694, 8.28276 14.22994, ... 0
2 0.192468 2.187547 4 6 3 6 26.350000 15.956 30.626781 4.534649 ... 39.820000 41.180000 1.0 1.0 1.0 0.0 1000.0 1006.0 POLYGON ((8.65331 14.00809, 8.81814 14.00205, ... 2
3 0.083841 1.427635 5 2 4 2 33.200001 4.477 32.387760 0.394427 ... 36.500000 40.520000 1.0 1.0 0.0 0.0 1000.0 1002.0 POLYGON ((8.45950 13.82035, 8.47341 13.83227, ... 2
4 0.488888 2.997133 6 7 5 7 23.225000 11.252 50.731510 0.405664 ... 40.009998 38.000000 1.0 1.0 1.0 0.0 1000.0 1007.0 POLYGON ((8.68527 13.63952, 8.67758 13.72221, ... 3

5 rows × 22 columns

[11]:

tracts.plot(column='Max_P', cmap='OrRd', edgecolor='k', categorical=True, legend=True)

[11]:

<AxesSubplot:>
../_images/gallery_choropleths_18_1.png 
[ ]:

上一页

合唱传说

下一页

使用坐标从DataFrame创建GeoDataFrame