大家好，我是小白鸽，本期为大家分享如何用GeoPandas进行空间数据分析。文章首先对GeoPandas进行了简要介绍，其次对GeoPandas的数据结构做了介绍，然后就GeoPandas的主要功能使用展示了代码示例，最后结合案例对GeoPandas功能做了补充介绍。
GeoPandas简介
GeoPandas 是一个开源的Python 库，用于处理和分析地理空间数据。它建立在 Pandas 库之上，并添加了对几何形状和空间操作的支持。这使得 GeoPandas 成为处理地理空间数据的重要工具。
GeoPandas 主要功能
-
地理数据类型: GeoPandas 支持多种几何数据类型，包括点、线、多边形和几何集合。
-
空间操作: GeoPandas 提供了丰富的空间操作函数，例如缓冲区生成、裁剪、合并、分割、拓扑运算等。
-
地图绘制: GeoPandas 可以与matplotlib 等绘图库集成，轻松创建地图和空间数据可视化。
-
数据分析: GeoPandas 可以进行各种空间数据分析，例如计算几何图形的面积、长度、质心等属性，以及进行空间统计分析。
-
数据导入和导出: GeoPandas 支持多种地理数据格式，例如 Shapefile、GeoJSON、GML、KML 等，方便进行数据交换和共享。
GeoPandas数据结构
-
GeoSeries
GeoSeries 是GeoPandas 的基本数据结构，它是一个类似 Pandas 的 Series，但是专门用于存储几何对象。每个元素都是一个几何形状，可以是点、线、多边形等。
主要属性和方法：
geometry: 返回一个包含所有几何对象的列表。
crs: 表示坐标参考系（Coordinate Reference System, CRS）的信息。
area: 计算每个几何对象的面积。
boundary: 返回每个几何对象的边界。
centroid: 返回每个几何对象的重心（质心）。
contains: 判断几何对象是否包含另一个几何对象。
distance: 计算两个几何对象之间的最短距离。
intersection: 计算两个几何对象的交集。
buffer: 为几何对象生成缓冲区。
创建 GeoSeries 示例：
import geopandas as gpd
from shapely.geometry import Point
# 创建一个包含点的GeoSeries
points = gpd.GeoSeries([Point(1, 1), Point(2, 2), Point(3, 3)])
print(points)
GeoDataFrame-
GeoDataFrame
GeoDataFrame 是GeoPandas 的另一个核心数据结构，它是 DataFrame 的扩展，专门用于处理包含几何数据的表格数据。GeoDataFrame 有一个特殊的列，通常命名为 geometry，用于存储几何对象。
主要属性和方法：
geometry: 特殊的列，用于存储几何数据。
crs: 表示整个GeoDataFrame 的坐标参考系。
to_crs: 将GeoDataFrame 的坐标参考系转换为新系统。
plot: 绘制GeoDataFrame 中的几何对象。
geom_type: 返回几何类型。
buffer: 为GeoDataFrame 中的所有几何对象生成缓冲区。
centroid: 返回GeoDataFrame 中所有几何对象的重心。
创建 GeoDataFrame 示例：
import geopandas as gpd
from shapely.geometry import Polygon
# 创建一个多边形
polygon = Polygon([(0, 0), (1, 0), (1, 1), (0, 1)])
# 创建一个 GeoDataFrame
gdf = gpd.GeoDataFrame({'geometry': [polygon]})
print(gdf)功能示例
-
矢量数据读写
import geopandas as gpd from shapely.geometry import Point # 生成虚拟POI数据（咖啡店） poi_data = { 'name': ['Starbucks', 'Luckin Coffee', 'Costa'], 'geometry': [Point(116.3, 39.9), Point(116.31, 39.91), Point(116.29, 39.88)] } poi_gdf = gpd.GeoDataFrame(poi_data, crs="EPSG:4326") # WGS84坐标系 # 生成虚拟地铁站数据 metro_data = { 'station': ['Station_A', 'Station_B'], 'geometry': [Point(116.305, 39.905), Point(116.31, 39.895)] } metro_gdf = gpd.GeoDataFrame(metro_data, crs="EPSG:4326") # 保存为Shapefile和GeoJSON poi_gdf.to_file("poi_data.shp") # 写入Shapefile metro_gdf.to_file("metro_data.geojson", driver='GeoJSON') # 写入GeoJSON # 从文件读取数据 poi = gpd.read_file("poi_data.shp") metro = gpd.read_file("metro_data.geojson") -
空间连接
# 创建地铁站500米缓冲区（转换为投影坐标系计算距离） metro_projected = metro.to_crs(epsg=32650) # UTM 50N metro_projected['buffer'] = metro_projected.geometry.buffer(500) # 500米缓冲区 # 将POI数据也转换到同一坐标系 poi_projected = poi.to_crs(metro_projected.crs) # 空间连接：找出位于缓冲区内的POI joined = gpd.sjoin( poi_projected, metro_projected[['station', 'buffer']].set_geometry('buffer'), how='inner', predicate='within' ) print("地铁站500米范围内的POI:") print(joined[['name', 'station']]) -
缓冲区分析
import matplotlib.pyplot as plt # 创建可视化画布 fig, ax = plt.subplots(figsize=(10, 8)) # 绘制原始地铁站 metro.plot(ax=ax, color='red', markersize=100, label='Metro Stations') # 绘制缓冲区 metro_projected.set_geometry('buffer').plot( ax=ax, alpha=0.3, edgecolor='blue', facecolor='none', label='500m Buffer' ) # 绘制POI点 poi.plot(ax=ax, color='green', markersize=50, label='POI') # 添加图例和标题 plt.legend() plt.title("Metro Station Buffers and POI Distribution") plt.show()
-
坐标转换
# 查看原始坐标系 print("POI数据坐标系:", poi.crs) # EPSG:4326 (WGS84) # 转换为Web墨卡托投影（EPSG:3857） poi_web_mercator = poi.to_crs(epsg=3857) print("转换后坐标系:", poi_web_mercator.crs) # 坐标系转换前后坐标示例 print("\n原始坐标（WGS84）:") print(poi.geometry.head()) print("\n转换后坐标（Web墨卡托）:") print(poi_web_mercator.geometry.head())
案例分享
-
背景
假设现在有地铁站点数据和Poi数据，需要分析地铁站与Poi的关系，并且求出每个地铁站1km范围内的Poi数量。
-
代码示例
import contextily as ctx import matplotlib.pyplot as plt import geopandas as gpd from shapely.geometry import Point # 生成模拟数据（100个随机POI和10个地铁站） import numpy as np np.random.seed(42) # 生成随机POI（北京范围） poi_points = [Point(lon, lat) for lon, lat in zip(np.random.uniform(116.2, 116.4, 100), np.random.uniform(39.8, 40.0, 100))] poi_gdf = gpd.GeoDataFrame( geometry=poi_points, data={'category': np.random.choice(['餐饮', '零售', '办公'], 100)}, crs="EPSG:4326" ) # 生成地铁站 metro_points = [Point(lon, lat) for lon, lat in zip(np.random.uniform(116.25, 116.35, 10), np.random.uniform(39.85, 39.95, 10))] metro_gdf = gpd.GeoDataFrame( geometry=metro_points, data={'station': [f'Station_{i}' for i in range(10)]}, crs="EPSG:4326" ) # 分析每个地铁站1km范围内的POI数量 metro_proj = metro_gdf.to_crs(epsg=32650) metro_proj['buffer'] = metro_proj.geometry.buffer(1000) poi_proj = poi_gdf.to_crs(metro_proj.crs) joined = gpd.sjoin( poi_proj, metro_proj.set_geometry('buffer'), how='inner', predicate='within' ) # 统计结果 result = joined.groupby('station').agg( total_poi=('category', 'count'), restaurant_count=('category', lambda x: (x=='餐饮').sum()) ).reset_index() print("\n各地铁站周边POI统计:") print(result) # 可视化 fig, ax = plt.subplots(figsize=(12, 10)) # 绘制底图 metro_proj.to_crs(epsg=3857).plot( ax=ax, color='red', markersize=50, label='Metro Stations' ) metro_proj.set_geometry('buffer').to_crs(epsg=3857).plot( ax=ax, alpha=0.2, color='blue' ) poi_proj.to_crs(epsg=3857).plot( ax=ax, column='category', legend=True, markersize=20, categorical=True, cmap='tab20' ) # 添加底图瓦片 #OpenStreetMap的底图不一定能连接上，建议换自己的底图或者删除本行 ctx.add_basemap(ax, source=ctx.providers.OpenStreetMap.Mapnik) plt.title("地铁站周边POI分布热力图") plt.axis('off') plt.show()
-
结果
更多内容
Deepseek与规划协同：填平技术门槛，利用Deepseek进行空间句法分析
更多内容可以关注微信公众号“小白鸽gis”
扫一扫
75
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
