10行Python代码创建可视化地图（python绘制地图可视化）-大数据-知优网

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.

importvincent
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,***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)
#AddtheUScountydataandanewlinecolor
vis.geo_data(projection='albersUsa',scale=1000,counties=county_geo)
vis+('2B4ECF','marks',0,'properties','enter','stroke','value')
#Addthestatedata,removethefill,writeVegaspecoutputtoJSON
vis.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'isthePandasDataFrame
vis=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,UnitedStates,154505871,140674478,13831393,9,50502,100
01000,AL,Alabama,2190519,1993977,196542,9,41427,100
01001,AL,AutaugaCounty,25930,23854,2076,8,48863,117.9
01003,AL,BaldwinCounty,85407,78491,6916,8.1,50144,121
01005,AL,BarbourCounty,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：

importjson
importpandasaspd
#Mapthecountycodeswehaveinourgeometrytothoseinthe
#county_datafile,whichcontainsadditionalrowswedon'tneed
withopen(county_geo,'r')asf:
get_id=json.load(f)
#GrabtheFIPScodesandloadthemintoadataframe
county_codes=[x['id']forxinget_id['features']]
county_df=pd.DataFrame({'FIPS_Code':county_codes},dtype=str)
#ReadintoDataframe,casttostringforconsistency
df=pd.read_csv(county_data,na_values=[''])
df['FIPS_Code']=df['FIPS_Code'].astype(str)
#Performaninnerjoin,padNA'swithdatafromnearestcounty
merged=pd.merge(df,county_df,on='FIPS_Code',how='inner')
merged=merged.fillna(method='pad')
>>>merged.head()
FIPS_CodeStateArea_nameCivilian_labor_force_2011Employed_2011\
01001ALAutaugaCounty2593023854
11003ALBaldwinCounty8540778491
21005ALBarbourCounty97618651
31007ALBibbCounty92168303
41009ALBlountCounty2634724156
Unemployed_2011Unemployment_rate_2011Median_Household_Income_2011\
020768.048863
169168.150144
2111011.430117
39139.937347
421918.341940
Med_HH_Income_Percent_of_StateTotal_2011
0117.9
1121.0
272.7
390.2
4101.2

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：

#Swapcountydataforstatedata,resetmap
state_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)