干货 | 10 行 Python 代码创建可视化地图

36大数据 · 公众号 · 大数据 · 2017-09-01 07:50

正文

import




    
 vincent
world_countries = r'world-countries.json'world = vincent.Map(width=1200, height=1000)
world.geo_data(projection='winkel3', scale=200, world=world_countries)
world.to_json(path)

当我开始建造Vincent时, 我的一个目的就是使得地图的建造尽可能合理化. 有一些很棒的python地图库-参见Basemap 和 Kartograph能让地图更有意思. 我强烈推荐这两个工具, 因为他们都很好用而且很强大. 我想有更简单一些的工具,能依靠Vega的力量并且允许简单的语法点到geoJSON文件,详细描述一个投影和大小/比列,最后输出地图.

例如, 将地图数据分层来建立更复杂的地图:

vis = vincent.Map(width=1000, height=800)#Add the US county data and a new line colorvis.geo_data(projection='albersUsa', scale=1000, counties=county_geo)
vis + ('2B4ECF', 'marks', 0, 'properties', 'enter', 'stroke', 'value')#Add the state data, remove the fill, write Vega spec output to JSONvis.geo_data(states=state_geo)
vis - ('fill', 'marks', 1, 'properties', 'enter')
vis.to_json(path)

加之,等值线地图需绑定Pandas数据,需要数据列直接映射到地图要素.假设有一个从geoJSON到列数据的1:1映射,它的语法是非常简单的:

#'merged' is the Pandas DataFramevis = vincent.Map(width=1000, height=800)
vis.tabular_data(merged, columns=['FIPS_Code', 'Unemployment_rate_2011']) 
vis.geo_data(projection='albersUsa', scale=1000, bind_data='data.id', counties=county_geo)
vis + (["#f5f5f5","#000045"], 'scales', 0, 'range')
vis.to_json(path)

我们的数据并非没有争议无需改造——用户需要确保 geoJSON 键与熊猫数据框架之间具有1:1的映射。下面就是之前实例所需的简明的数据框架映射：我们的国家信息是一个列有FIPS 码、国家名称、以及经济信息（列名省略）的 CSV 文件：

00000,US,United States,154505871,140674478,13831393,9,50502,10001000,AL,Alabama,2190519,1993977,196542,9,41427,10001001,AL,Autauga County,25930,23854,2076,8,48863,117.901003,AL,Baldwin County,85407,78491,6916,8.1,50144,12101005,AL,Barbour County,9761,8651,1110,11.4,30117,72.7

在 geoJSON 中，我们的国家形状是以 FIPS 码为id 的（感谢 fork 自 Trifacta 的相关信息）。为了简便，实际形状已经做了简略，在示例数据可以找到完整的数据集：

{"type":"FeatureCollection","features":[
{"type":"Feature","id":"1001","properties":{"name":"Autauga"}
{"type":"Feature","id":"1003","properties":{"name":"Baldwin"}
{"type":"Feature","id":"1005","properties":{"name":"Barbour"}
{"type":"Feature","id":"1007","properties":{"name":"Bibb"}
{"type":"Feature","id":"1009","properties":{"name":"Blount"}
{"type":"Feature","id":"1011","properties":{"name":"Bullock"}
{"type":"Feature","id":"1013","properties":{"name":"Butler"}
{"type":"Feature","id":"1015","properties":{"name":"Calhoun"}
{"type":"Feature","id":"1017","properties":{"name":"Chambers"}
{"type":"Feature","id":"1019","properties":{"name":"Cherokee"}

我们需要匹配 FIPS 码，确保匹配正确，否则 Vega 无法正确的压缩数据：

import jsonimport pandas as pd#Map the county codes we have in our geometry to those in the#county_data file, which contains additional rows we don't needwith open(county_geo, 'r') as f:
    get_id = json.load(f)#Grab the FIPS codes and load them into a dataframecounty_codes = [x['id'] for x in get_id['features']]
county_df = pd.DataFrame({'FIPS_Code': county_codes}, dtype=str)#Read into Dataframe, cast to string for consistencydf = pd.read_csv(county_data, na_values=[' '])
df['FIPS_Code'] = df['FIPS_Code'].astype(str)#Perform an inner join, pad NA's with data from nearest countymerged = pd.merge(df, county_df, on='FIPS_Code', how='inner')
merged = merged.fillna(method='pad')

>>>merged.head()
      FIPS_Code State       Area_name  Civilian_labor_force_2011  Employed_2011  \    0      1001    AL  Autauga County                      25930          23854   
    1      1003    AL  Baldwin County                      85407          78491   
    2      1005




    
    AL  Barbour County                       9761           8651   
    3      1007    AL     Bibb County                       9216           8303   
    4      1009    AL   Blount County                      26347          24156

   Unemployed_2011  Unemployment_rate_2011  Median_Household_Income_2011  \0             2076                     8.0                         48863   1             6916                     8.1                         50144   2             1110                    11.4                         30117   3              913                     9.9                         37347   4             2191                     8.3                         41940

   Med_HH_Income_Percent_of_StateTotal_2011  
0                                     117.9  1                                     121.0  2                                      72.7  3                                      90.2  4                                     101.2

现在，我们可以快速生成不同的等值线：

vis.tabular_data(merged, columns=['FIPS_Code', 'Civilian_labor_force_2011']) 
vis.to_json(path)

这只能告诉我们 LA 和 King 面积非常大，人口非常稠密。让我们再看看中等家庭收入：

vis.tabular_data(merged, columns=['FIPS_Code', 'Median_Household_Income_2011'])
vis.to_json(path)

明显很多高收入区域在东海岸或是其他高密度区域。我敢打赌，在城市层级这将更加有趣，但这需要等以后发布的版本。让我们快速重置地图，再看看国家失业率：

#Swap county data for state data, reset mapstate_data = pd.read_csv(state_unemployment)
vis.tabular_data(state_data, columns=['State', 'Unemployment'])
vis.geo_data(bind_data='data.id', reset=True, states=state_geo)
vis.update_map(scale=1000, projection='albersUsa')
vis + (['#c9cedb', '#0b0d11'], 'scales', 0, 'range')
vis.to_json(path)

地图即是我的激情所在——我希望 Vincent 能够更强，包含轻松的添加点、标记及其它的能力。

End

阅读排行榜/精华推荐

入门学习

如果有人质疑大数据？不妨把这两个视频转给他

视频：大数据到底是什么都说干大数据挣钱 1分钟告诉你都在干什么

人人都需要知道关于大数据最常见的10个问题

进阶修炼

数据源爬取/收集

在中国我们如何收集数据？全球数据收集大教程

干货 | 10 行 Python 代码创建可视化地图

正文

请到「今天看啥」查看全文