EXCEL地图可视化功能概览--小O地图EXCEL版0.6.3.0版

Excel中的地图神器:小O地图EXCEL版全攻略

前言

小O地图EXCEL版软件能干什么?

总结起来,在EXCEL中实现 地图浏览、地图任务(处理地理数据)、地图可视化、地图标注、地图快照

本文是对小O地图EXCEL版软件功能的简介,通过本文,能够快速了解软件功能,对于新用户起到入门指引,对于老用户能够快速掌握功能脉络。

欢迎关注和收藏!

【地图KEY】-建议用户在使用本软件前,申请自用的地图KEY(尤其是百度地图KEY),避免共用KEY影响处理结果,申请地址见软件“功能设置”界面中的链接。

功能导览图

地图浏览:在EXCEL里集成地图,图表结合,浏览带有地理属性的数据。

地图任务:在EXCEL表格里处理地理数据,包括地址解析、坐标转换、规划路线等功能。

地图快照:保存地图显示状态,日后一键还原;保存地图截图,可复制至Word、PPT中。

地图可视化:将EXCEL表格数据进行地图可视化

地图标注:将EXCEL表格数据标注到地图上,支持修改

主界面

本软件无需安装,双击【Start.exe】启动软件,自动启动EXCEL软件,并在EXCEL菜单栏中增加【小O地图】菜单。

功能区

参考上图,小O地图软件分为以下功能区

A 插件菜单:启动后在EXCEL软件会新增“小O地图”菜单。

B 地图功能:提供打开地图、地图刷新、地图任务、快照、标注等功能。

C 帮助菜单:提供软件注册及登陆、功能设置、购买许可等功能。

D 辅助功能:提供EXCEL操作的常用功能。

E 地图配置:提供地图设置、图层等配置。

F 控制面板:提供地图样式、语言、缩放等设置项。

菜单简介

地图功能


  • 打开地图:打开地图侧边栏,目前支持高德地图、百度地图,高德地图提供的功能最全,推荐使用。
  • 刷新地图:刷新侧边栏地图。
  • 地图快照:保存地图显示状态,日后一键还原,保存地图截图,复制至Word、PPT中。
  • 地图任务:对EXCEL表格数据执行地理数据处理,处理结果回填至表格对应的行列单元格中。
  • 地图标注:将EXCEL表格数据标注至地图,拖拽标注图形可修改坐标及属性。
  • 地图可视化:将EXCEL表格数据在地图可视化,支持气泡图、热力图、行政区图等多种地图类型。
  • 选择行政区:选择行政区数据填充至EXCEL表格中。

帮助功能


  • 登陆注册:用户注册及登陆功能。
  • 功能设置:提供系统设置功能,设置运行参数、日志、需求反馈等参数
  • 购买许可:购买全功能许可,按提示操作,购买后填入券码进行自助开通权限。
  • 使用帮助:软件帮助资源。
  • 下载新版:提供软件新版检查及下载功能。
  • 关于软件:提供软件信息。

辅助功能

辅助功能是将EXCEL自带功能中,对小O地图功能有帮助,且使用频率较高的功能集中摆放的功能区。 方便用户在使用小O地图功能的同时快速切换。

  • COM加载项:提供EXCEL软件COM加载项显示、开启及关闭功能。可配置自动加载本插件软件。
  • 加载项:提供EXCEL软件加载项开启功能。
  • 条件格式:提供对表格进行颜色配置等功能。
  • 清除:提供表格数据清除功能,清除选中的单元格内容。
  • 填充:提供填充表格数据,例如序号自动排序,用于标注地图时快速生成编号。

功能详解

打开地图

小O地图提供打开地图并显示在EXCEL表格侧边栏,地图支持高德地图、百度地图。

地图设置

点击地图上方[设置],显示地图设置侧边栏,可设置地图样式。

设置好的地图样式参数可以通过[地图快照]功能保存为快照记录。过后可以切换显示。

地图任务

提供对表格数据进行地理数据处理的功能,以任务化方式处理数据。

创新性功能,全面满足地理数据处理:

  • 提供多地图地理引擎,简化地理数据处理过程
  • 地理功能任务化,支持任务保存、任务运行
  • 灵活配置数据所在行列号,适应不同格式的表格
  • 多种任务组合运行,迭代处理表格数据

界面工具栏功能简介:

  • 任务管理:地图任务创建等操作。
  • 任务表格:使用选中任务的配置设置当前表格,例如表格标题、样例数据、清空数据等。
  • 加载更多:加载地图任务列表,每次加载10条。

任务记录面板上功能简介:

  • 名称修改:双击任务名称可修改。
  • 启动:启动执行当前任务。
  • 配置:配置当前任务的输入和输出数据所在行列号。
  • 删除:删除当前任务。

多种地图任务

AMap

BMap

支持多地图选择,按需选择。

也可以选择不同地图对数据处理,不同地图结果互补,优选。

例如:某地址信息处理,如高德地图无资源,可尝试使用其他地图进行处理,实现结果互补。

灵活配置

配置输入和输出数据所在行列号,可根据表格格式灵活设置。

  • 属性项的帮助信息,点击获得填写该属性的帮助。
  • 属性项更多菜单:单击后显示更多菜单。

* 清空:清空该行或该列的数据。

* 自动排序:对当前属性项之后的所有属性的列号进行排序。

  • 勾选框:选中输出该属性,否则不输出。无勾选框的,表示必填。“状态码”,输出记录行处理结果状态

地图可视化

提供在地图上进行EXCEL表格数据可视化,支持多种地图可视化类型,支持样式配置

气泡图

海量点图

点云图

热力图

网格热力

蜂窝热力

行政区图

直线图

文字图

地图快照

提供将地图显示范围、样式等参数保存成快照记录,并存储在本机,方便后续快速切换。

界面上方工具栏功能简介:

  • 快照管理:提供地图快照新建等管理功能。
  • 加载更多:加载已保存的快照到列表中,每次加载10条记录。

快照记录面板功能简介:

  • 快照图标:指示当前快照地图为高德地图、百度地图等。不同地图使用不同图标区分。
  • 双击标题:可修改快照名称。
  • 切换:将地图切换至当前快照。
  • 更新:将当前快照更新为当前地图显示效果。
  • 删除:删除当前快照。

地图标注

提供将EXCEL表格中坐标数据标注到地图上,并支持在地图上拖拽标注图标修改更新坐标值。

界面上方标注工具栏功能简介:

  • 标注管理:提供新增标注等功能。
  • 加载更多:加载已保存的标注记录到列表中,每次加载10条记录。

标注记录面板功能简介:

  • 双击名称:修改名称。
  • 标绘:将表格记录标注在地图上,每次500条,超过则分批标注。建议分批操作,执行前删除上次图形,保证绘图效率。
  • 选中:标绘选中行,只支持标绘连续选中的行,跨行选择只绘制选中的第一行。
  • 配置项:设置标注数据所在行列号。
  • 删除所有:删除所有标绘图形。
  • 删除:删除当前快照。

灵活配置标注项

新建标注记录后,需要先配置标注数据所在行列号,如下图:

批量标注

数据项设置完毕,一键标注,提供两种方式:

  1. 批量标注:批量将表格数据标注在地图上,如记录超过500条,则会分批进行标注,建议每次标注前将上一次标注的图形删除,以保证浏览性能。
  2. 选中行标注:标注选中行数据到地图上,支持选中多行,但不支持跨行选择多行。

联动更新

标注数据支持联动更新

通过拖拽地图上标注图形修改表格坐标值,修改控制面板文本修改标注的文字信息。

其他功能请下载体验吧!【官网 www.gis9.com 】

软件持续更新,请关注本知识库、微信公众号、QQ群 【955 924 536】!

# 数据清洗与可视化分析方案 ## 数据清洗步骤 ### 1. 数据读取与初步检查 ```python import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns # 读取Excel文件 df = pd.read_excel("2020-2021我国各地区企业信息化及电子商务情况分析.xls", sheet_name="Sheet1", header=3) # 从第4行开始读取,跳过标题行 ``` ### 2. 数据清理 ```python # 删除空行 df = df.dropna(how=&#39;all&#39;) # 重命名列名(去除多余空格) df.columns = df.columns.str.strip() # 处理缺失值 df = df.fillna(0) # 数据类型转换 numeric_columns = [&#39;企业数&#39;, &#39;期末使用计算机数&#39;, &#39;每百人使用计算机数&#39;, &#39;企业拥有网站数&#39;, &#39;每百家企业拥有网站数&#39;, &#39;有电子商务交易活动企业数&#39;, &#39;比重(%)&#39;, &#39;电子商务销售额(亿元)&#39;, &#39;电子商务采购额(亿元)&#39;] for col in numeric_columns: df[col] = pd.to_numeric(df[col], errors=&#39;coerce&#39;) ``` ### 3. 异常值处理 ```python # 检查异常值(如负数、极端值) for col in numeric_columns: if df[col].min() < 0: df[col] = df[col].abs() # 取绝对值 ``` ## 可视化分析方案 ### 1. 整体概览图 ```python # 创建子图 fig, axes = plt.subplots(2, 3, figsize=(18, 12)) # 企业数量分布 axes[0,0].barh(df[&#39;地 区&#39;], df[&#39;企业数&#39;]) axes[0,0].set_title(&#39;各地区企业数量分布&#39;) axes[0,0].set_xlabel(&#39;企业数量&#39;) # 每百人使用计算机数 axes[0,1].barh(df[&#39;地 区&#39;], df[&#39;每百人使用计算机数&#39;]) axes[0,1].set_title(&#39;每百人使用计算机数&#39;) axes[0,1].set_xlabel(&#39;台/百人&#39;) # 电子商务普及率 axes[0,2].barh(df[&#39;地 区&#39;], df[&#39;比重(%)&#39;]) axes[0,2].set_title(&#39;电子商务企业占比&#39;) axes[0,2].set_xlabel(&#39;百分比(%)&#39;) # 电子商务销售额 axes[1,0].barh(df[&#39;地 区&#39;], df[&#39;电子商务销售额(亿元)&#39;]) axes[1,0].set_title(&#39;电子商务销售额&#39;) axes[1,0].set_xlabel(&#39;销售额(亿元)&#39;) # 电子商务采购额 axes[1,1].barh(df[&#39;地 区&#39;], df[&#39;电子商务采购额(亿元)&#39;]) axes[1,1].set_title(&#39;电子商务采购额&#39;) axes[1,1].set_xlabel(&#39;采购额(亿元)&#39;) # 网站普及率 axes[1,2].barh(df[&#39;地 区&#39;], df[&#39;每百家企业拥有网站数&#39;]) axes[1,2].set_title(&#39;企业网站普及率&#39;) axes[1,2].set_xlabel(&#39;每百家企业网站数&#39;) plt.tight_layout() plt.show() ``` ### 2. 关键指标对比图 ```python # 创建对比图 fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(15, 8)) # 销售额 vs 采购额散点图 scatter = ax1.scatter(df[&#39;电子商务销售额(亿元)&#39;], df[&#39;电子商务采购额(亿元)&#39;], s=df[&#39;企业数&#39;]/1000, alpha=0.6) for i, txt in enumerate(df[&#39;地 区&#39;]): ax1.annotate(txt, (df[&#39;电子商务销售额(亿元)&#39;].iloc[i], df[&#39;电子商务采购额(亿元)&#39;].iloc[i]), fontsize=8) ax1.set_xlabel(&#39;电子商务销售额(亿元)&#39;) ax1.set_ylabel(&#39;电子商务采购额(亿元)&#39;) ax1.set_title(&#39;各地区电商销售与采购对比&#39;) ax1.grid(True, alpha=0.3) # 技术应用与电商关系 ax2.scatter(df[&#39;每百人使用计算机数&#39;], df[&#39;比重(%)&#39;], s=df[&#39;企业数&#39;]/1000, alpha=0.6) for i, txt in enumerate(df[&#39;地 区&#39;]): ax2.annotate(txt, (df[&#39;每百人使用计算机数&#39;].iloc[i], df[&#39;比重(%)&#39;].iloc[i]), fontsize=8) ax2.set_xlabel(&#39;每百人使用计算机数(台)&#39;) ax2.set_ylabel(&#39;电商企业占比(%)&#39;) ax2.set_title(&#39;信息技术应用与电商发展关系&#39;) ax2.grid(True, alpha=0.3) plt.tight_layout() plt.show() ``` ### 3. 热力图分析 ```python # 选择关键数值列进行相关性分析 correlation_data = df[numeric_columns].corr() plt.figure(figsize=(10, 8)) sns.heatmap(correlation_data, annot=True, cmap=&#39;coolwarm&#39;, center=0, square=True, fmt=&#39;.2f&#39;) plt.title(&#39;各指标相关性热力图&#39;) plt.show() ``` ### 4. 排行榜可视化 ```python # 按不同指标排序并可视化 metrics = [&#39;企业数&#39;, &#39;每百人使用计算机数&#39;, &#39;比重(%)&#39;, &#39;电子商务销售额(亿元)&#39;, &#39;电子商务采购额(亿元)&#39;] fig, axes = plt.subplots(2, 3, figsize=(18, 12)) axes = axes.ravel() for i, metric in enumerate(metrics): # 排序取前10 top10 = df.nlargest(10, metric).sort_values(metric, ascending=True) axes[i].barh(top10[&#39;地 区&#39;], top10[metric]) axes[i].set_title(f&#39;{metric} TOP 10 地区&#39;) # 全国平均值对比 national_avg = df[df[&#39;地 区&#39;] == &#39;全 国&#39;].iloc[0] comparison_data = df[df[&#39;地 区&#39;] != &#39;全 国&#39;].copy() comparison_data[&#39;高于全国&#39;] = comparison_data[&#39;比重(%)&#39;] > national_avg[&#39;比重(%)&#39;] axes[5].bar(comparison_data[&#39;地 区&#39;], comparison_data[&#39;比重(%)&#39;]) axes[5].axhline(y=national_avg[&#39;比重(%)&#39;], color=&#39;r&#39;, linestyle=&#39;--&#39;, label=f&#39;全国平均: {national_avg["比重(%)"]:.1f}%&#39;) axes[5].set_title(&#39;各地区电商普及率 vs 全国平均&#39;) axes[5].tick_params(axis=&#39;x&#39;, rotation=90) axes[5].legend() plt.tight_layout() plt.show() ``` ## 知识点 **数据清洗**:处理缺失值、异常值和数据类型转换,确保数据质量。 **数据可视化**:选择合适的图表类型展示数据特征和关系。 **数据分析**:通过统计图表发现数据模式和趋势,支持决策。
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值