有没有地理信息可视化的绘图软件

Posted 2023-05-02

题主是想要下面这样的效果吗？

或者是这样的？

如果这些是你想要的效果，那 Hightopo 的 HT for Web GIS 就可以满足你啦！其运用产品强大的可视化技术，将地理信息系统（Geographic Information System，GIS）的数据进行丰富的可视化展示。

市面上的 GIS 系统常见的是基于 ArcGIS API for javascript、百度地图API、高德地图 API 、Cesium、Mapbox、Leaflet、Openlayers 等技术进行实现。而HT for Web GIS 支持对不同地图瓦片服务或数据、航拍倾斜摄影实景的 3DTiles 格式数据以及城市建筑群等不同的 GIS 数据的加载，意在于解决用户 GIS 类项目的实现，减少用户对 GIS 的学习和投入成本。

同时，结合 HT 数据面板、BIM 数据轻量化、三维视频融合以及 2D 和 3D 的无缝融合等技术优势，在 GIS 系统中对海量的 POI 数据、交通流量数据、规划数据，现状数据等进行多样化的可视化展示。

HT for Web GIS 颠覆传统的 GIS 系统的开发，让 2D GIS 系统和 3D GIS 系统的开发变得更加便捷，数据更加直观，展现更加多样化。

参考技术A Edrawmax可以用来制作网络图,操作简单,内置的模板,也可以绘制流程图,思维导图。本回答被提问者采纳

绘图与可视化--pandas中的绘图函数

matplotlib是一种比较低级的工具，要组装一张图表，你得用它得各种基础组件才行：数据展示（即图表类型：线型图、柱状图、盒型图、散布图、等值线图等）、图例、标题、刻度标签以及其它注释型信息。

在pandas中，有行标签、列标签及分组信息，要绘制一张图，需要很多matplotlib代码。pandas有很多能够利用DataFrame对象数据组织特点来创建标准图表的高级绘图方法。

1.1 线型图

Series和DataFrame都有一个用于生成各类图表的plot方法，默认情况下，生成的是线型图。

1 >>> s = pd.Series(np.random.randn(10).cumsum(), index=np.arange(0, 100, 10))
2 >>> s.plot()
3 <matplotlib.axes._subplots.AxesSubplot object at 0x0000024F35B8A898>
4 >>> plt.show()

该Series对象的索引会传给matplotlib，并用以绘制X轴，可通过use_index=False禁用该功能。X轴的刻度和界限可以通过xticks和xlim选项进行调节，Y轴就用yticks和ylim。plot参数完整列表如下所示：

参数	说明
label	用于图例的标签
ax	要在其上进行绘制的matplotlib subplot对象，如果没有设置，则使用当前matplotlib subplot
style	将要传给matplotlib的风格字符串（如’ko--’）
alpha	图表的填充不透明度（0到1之间）
kind	可以是’line’、’bar’、’barh’、’kde’
logy	在Y轴上使用对数标尺
use_index	将对象的的索引用作刻度标签
rot	旋转刻度标签（0到360）
xticks	用作X轴刻度的值
yticks	用作Y轴刻度的值
xlim	X轴的界限（例如[0, 10]）
ylim	Y轴的界限
grid	显示轴网格线（默认打开）

pandas的大部分绘图方法都有一个可选的ax参数，它可以是一个matplotlib的subplot对象。

DataFrame的plot方法会在一个subplot中为各列绘制一条线，并自动创建图例。

1 >>> df = pd.DataFrame(np.random.randn(10, 4).cumsum(0), columns=[‘A‘, ‘B‘, ‘C‘, ‘D‘], index=np.arange(0, 100, 10))
2 >>> df.plot()
3 <matplotlib.axes._subplots.AxesSubplot object at 0x0000024F35B8AFD0>
4 >>> plt.show()

  

DataFrame还有一些用于对列进行灵活处理的选项。下表是专用于DataFrame的plot参数。

参数	说明
subplots	将各个DataFrame列绘制到单独的subplot中
sharex	如果subplots=True，则共用同一个X轴，包括刻度和界限
sharey	如果subplots=True，则共用同一个Y轴
figsize	表示图像大小的元组
title	表示图像标题的字符串
legend	添加一个subplot实例（默认为True）
sort_columns	以字母顺序绘制各列，默认使用当前列顺序

1.2  柱状图

在生成线性图的代码中加上kind=’bar’（垂直柱状图）或kind=’barh’（水平柱状图）即可生成柱状图。这时，Series和DataFrame的索引将会被当作X（bar）或Y（barh）刻度。

1 >>> fig, axes = plt.subplots(2, 1) 
2 >>> data = pd.Series(np.random.rand(16), index=list(‘abcdefghijklmnop‘)) 
3 >>> data.plot(kind=‘bar‘, ax=axes[0], color=‘k‘, alpha=0.7) 
4 <matplotlib.axes._subplots.AxesSubplot object at 0x0000024F37F3FE48>
5 >>> data.plot(kind=‘barh‘, ax=axes[1], color=‘k‘, alpha=0.7) 
6 <matplotlib.axes._subplots.AxesSubplot object at 0x0000024F37F794A8>
7 >>> plt.show()

对于DataFrame，柱状图会将每一行的值分为一组。

 1 >>> df = pd.DataFrame(np.random.rand(6, 4), index=[‘one‘, ‘two‘, ‘three‘, ‘four‘, ‘five‘, ‘six‘], columns=pd.Index([‘A‘, ‘B‘, ‘C‘, ‘D‘], name=‘Genus‘))
 2 >>> df
 3 Genus         A         B         C         D
 4 one    0.466419  0.388390  0.045920  0.188829
 5 two    0.795635  0.566636  0.916473  0.944628
 6 three  0.386224  0.993829  0.273204  0.573622
 7 four   0.134991  0.591803  0.778073  0.150384
 8 five   0.854561  0.058758  0.922147  0.764897
 9 six    0.923109  0.324739  0.717597  0.682992
10 >>> df.plot(kind=‘bar‘)
11 <matplotlib.axes._subplots.AxesSubplot object at 0x0000024F37FB1F28>
12 >>> plt.show()

 设置stacked=True即可生成堆积柱状图，每行的值会被堆积在一起。

1 >>> df.plot(kind=‘bar‘, stacked=True, alpha=0.5) 
2 <matplotlib.axes._subplots.AxesSubplot object at 0x0000024F3A2F2048>
3 >>> plt.show()

 

1.1.3  直方图和密度图

直方图（histogram）是一种可以对值频率进行离散化显示的柱状图。数据点被拆分到离散的、间隔均匀的面元中，绘制的是各面元中数据点的数量。

 1 >>> s
 2 0   -0.674014
 3 1    0.342018
 4 2   -0.189962
 5 3    0.528294
 6 4    1.597546
 7 5    1.530765
 8 6    2.699712
 9 7    1.422388
10 8   -1.295660
11 9   -1.539913
12 dtype: float64
13 >>> s.hist(bins=5)
14 <matplotlib.axes._subplots.AxesSubplot object at 0x000002295B737978>
15 >>> plt.show()

与此相关的一种图表类型是密度图，它是通过计算“可能产生观测数据的连续概率分布的估计”而产生的。一般的过程是将该部分近似为一组核（即诸如正态（高斯）分布之类的较为简单的分布）。因此，密度图也被称为KDE（kernel density estimate核密度估计）图。调用plot时加上kind=’kde’即可生成一张密度图（标准混合正态分布KDE）。

 1 >>> import scipy                                                                       
 2 >>> s.plot(kind=‘kde‘)
 3 <matplotlib.axes._subplots.AxesSubplot object at 0x0000022959D0DA90>
 4 >>> plt.show()
 5 >>> s
 6 0   -0.674014
 7 1    0.342018
 8 2   -0.189962
 9 3    0.528294
10 4    1.597546
11 5    1.530765
12 6    2.699712
13 7    1.422388
14 8   -1.295660
15 9   -1.539913
16 dtype: float64

 这两种图形常常画在一起，直方图以规格化形式给出（以便给出画元化密度），然后再在其上绘制核密度估计。下面给一个由两个不同的标准正态分布组成的双峰分布。

1 >>> comp1 = np.random.normal(0, 1, size=200)
2 >>> comp2 = np.random.normal(10, 2, size=200) 
3 >>> values = pd.Series(np.concatenate([comp1, comp2])) 
4 >>> values.hist(bins=100, alpha=0.3, color=‘k‘, density=True) 
5 <matplotlib.axes._subplots.AxesSubplot object at 0x0000022959CFC6D8>
6 >>> values.plot(kind=‘kde‘, style=‘k--‘) 
7 <matplotlib.axes._subplots.AxesSubplot object at 0x0000022959CFC6D8>
8 >>> plt.show()

1.4  散布图

散布图（scatter plot）是观察两个一维数据序列之间关系的有效手段，matplotlib的scatter方法是绘制散布图的主要方法。

 1 >>> df = pd.DataFrame(np.random.rand(4, 2), index=[1, 2, 3, 4], columns=[‘one‘, ‘two‘]) 
 2 >>> df
 3         one       two
 4 1  0.658181  0.390797
 5 2  0.443482  0.673915
 6 3  0.188783  0.442284
 7 4  0.048783  0.578914
 8 >>> plt.scatter(df[‘one‘], df[‘two‘])
 9 <matplotlib.collections.PathCollection object at 0x000002295D2D77B8>
10 >>> plt.title(‘test‘) 
11 Text(0.5, 1.0, ‘test‘)
12 >>> plt.show()

 

在探索式数据分析中，同时观察一组变量的散布图很有意义，这也被称为散布矩阵（scatter plot matrix）。pandas提供了从DataFrame创建散布图矩阵的scatter_matrix函数。还支持在对角线上放置各变量的直方图和密度图。

 1 >>> df    
 2         one       two
 3 1  0.658181  0.390797
 4 2  0.443482  0.673915
 5 3  0.188783  0.442284
 6 4  0.048783  0.578914
 7 >>> pd.plotting.scatter_matrix(df, diagonal=‘kde‘, color=‘r‘, alpha=0.3)  
 8 array([[<matplotlib.axes._subplots.AxesSubplot object at 0x000002295D23D860>,
 9         <matplotlib.axes._subplots.AxesSubplot object at 0x000002295D1A4940>],
10        [<matplotlib.axes._subplots.AxesSubplot object at 0x000002295D09EEF0>,
11         <matplotlib.axes._subplots.AxesSubplot object at 0x000002295D0DC4E0>]],
12       dtype=object)
13 >>> plt.show()