【数据分析与可视化】Python绘制数据地图-GeoPandas地图可视化-2 分层设色

时间：2025-01-21 22:25:50

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 } \3c pre>\3c code>.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 } \3c pre>\3c code>.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')

png

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 } \3c pre>\3c code>.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 } \3c pre>\3c code>.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')

png

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 } \3c pre>\3c code>.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')

png

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 } \3c pre>\3c code>.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')

png

本文转自 https://www.cnblogs.com/luohenyueji/p/17299870.html，如有侵权，请联系删除。

相关文章