Python 数据可视化:地理信息可视化及扩展应用
Posted
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Python 数据可视化:地理信息可视化及扩展应用相关的知识,希望对你有一定的参考价值。
参考技术A 在上一课中,我们已经介绍过使用 Plotly 实现地理信息可视化的方法。但是,那个工具对我们不是很友好,特别是由于某种不可抗力的存在,可能根本无法调试。不过,pyecharts 的确在地理信息可视化上做得不错——如果仅做国内地图,特别推荐使用,还是通过示例来说明吧。
首先,要安装地图文件,安装方法如下:
不仅可以安装上述官方提供的地图文件,还能够自己制作个性化的地图扩展, 具体请点击这里参阅 。
有了上述基础,就可以进行地理信息可视化了(以下示例的数据源, 请点击这里查看 )。
实现上述效果的类是 Geo,默认情况下绘制散点图,此外可以实现 type='effectScatter'(闪耀的散点图)和 type='heatmap'(热图)。
此图也是动态交互的,通过左侧图例选择不同数值范围,相应地会显示该范围内的数据。
如果按照前面所述安装了各种地图文件,还可以在 geo.add 方法中规定地理范围。
在 pyecharts 地图中认可的城市名称都如同上述结果显示的那样,例如“阜新”,不要写成“阜新市”。
下面就绘制江苏省的空气质量分布图。
输出结果:
这里的 geo.add 参数与前面的不同,导致了展示效果的差异。
一直以来,房价都是人们关注的话题,下面就用可视化的方式研究一下近十年(2009—2018 年)全国部分城市平均房价(数据源: https://github.com/qiwsir/DataSet/tree/master/house )。
输出结果:
在热图查看房价的基础上,为了更准确查看某些城市的房价走向,可以使用折线图看看趋势,例如下列几个城市。
数据可视化应用Python-pykrige包-克里金(Kriging)插值计算及可视化绘制
本文我们将介绍如何使用Python进行克里金(Kriging)插值计算及插值结果的可视化绘制。主要涉及的知识点如下:
-
克里金(Kriging)插值简介
-
Python-pykrige库克里金插值应用
-
克里金(Kriging)插值结果可视化绘制
克里金(Kriging)插值简介
克里金法(Kriging) 是依据协方差函数对随机过程/随机场进行空间建模和预测(插值)的回归算法。在特定的随机过程,例如固有平稳过程中,克里金法能够给出最优线性无偏估计(Best Linear Unbiased Prediction, BLUP),因此在地统计学中也被称为空间最优无偏估计器(spatial BLUP)(以上定义来自于网络)。还是IDW插值介绍一样,我们省去繁琐的公式推导过程,示意图如下:
(Kriging插值示意图)
而使用Python进行Kriging插值计算无需自定义复杂的函数,这里我们直接调用pykrige包进行Kriging插值计算,而我们所要做的就是将计算出pykrige包插件计算所需要的参数数据即可。
插值网格制作
无论是自定义还是调用包,我们都需要制作出我们插值区域的网格(grid),方法也十分简单,首先根据地图文件(js)获取其经纬度范围,这里我们使用geopand
以上是关于Python 数据可视化:地理信息可视化及扩展应用的主要内容,如果未能解决你的问题,请参考以下文章