Python 数据可视化：地理信息可视化及扩展应用

Posted 2023-04-23

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