Python实现地图可视化案例详解
目录
- 前言
- 一、pyecharts
- Map
- Geo
- Bmap
- 二、folium
- 结 语
前言
Python的地图可视化库很多,Matplotlib库虽然作图很强大,但只能做静态地图。而我今天要讲的是交互式地图库,分别为pyecharts、folium,掌握这两个库,基本可以解决你的地图可视化需求。
一、pyecharts
首先,必须说说强大的pyecharts库,简单易用又酷炫,几乎可以制作任何图表。pyecharts有v0.5和v1两个版本,两者不兼容,最新的v1版本开始支持链式调用,采用options配置图表。pyecharts在制作地图方面,包含Map、Geo和Bmap三类,使用Map类支持世界、国家、省市和区县四级地图,使用前需独立安装。so,pip它们!
pip install pyecharts pip install echarts-countries-pypkg pip install echarts-china-provinces-pypkg pip install echarts-china-cities-pypkg pip install echarts-china-counties-pypkg
pip完之后,查看下pyecharts版本。
import pyecharts print(pyecharts.__version__)
毋庸置疑,肯定是最新版本啦,版本号为1.6.2。
Map
在制作地图前,首先要有数据,我从Wind数据库导出了全国各省GDP总量数据,命名为GDP.xlsx,如下图所示。
有了数据,咱们就可以用python开始操作了,先把需要的库import一下。
import pandas as pd #pandas是强大的数据处理库 from pyecharts.charts import Map from pyecharts import options as opts
用pandas读取GDP.xlsx,提取2019年各省GDP数据为例,我们来制作地图。这里注意下zip() 函数,它用于将可迭代的对象作为参数,将对象中对应的元素打包成一个个元组,然后返回由这些元组组成的对象。
data = pd.read_excel('GDP.xlsx') province = list(data["province"]) gdp = list(data["2019_gdp"]) list = [list(z) for z in zip(province,gdp)]
我们来打印下list,长这样:
其实就是列表里嵌套列表的数据结构,只有这种结构把数据添加到地图中去。我们用Map类中的常用方法add、set_global_opts和render来配置地图。
c = ( Map(init_opts=opts.InitOpts(width="1000px", height="600px")) #初始化地图大小 .set_global_opts( title_opts=opts.TitleOpts(title="2019年各省GDP分布图 单位:亿元"), #配置标题 visualmap_opts=opts.VisualMapOpts( type_ = "scatter" #散点类型 ) ) .add("GDP",list,maptype="china") #将list传入,地图类型为中国地图 .render("Map1.html") )
运行以上代码,用浏览器打开生成的Map1.html,效果如下:
有朋友可能会问了,地图倒是有了,可你这地图不好区分不同省的GDP大小呀。不慌,我们继续优化以上代码,给不同省依据GDP的大小配置不同的颜色,让你一目了然。
c = ( Map(init_opts=opts.InitOpts(width="1000px", height="600px")) #可切换主题 .set_global_opts( title_opts=opts.TitleOpts(title="2019年各省GDP分布图 单位:亿元"), visualmap_opts=opts.VisualMapOpts( min_=1000, max_=110000, range_text = ['GDP总量(亿)颜色区间:', ''], #分区间 is_piecewise=True, #定义图例为分段型,默认为连续的图例 pos_top= "middle", #分段位置 pos_left="left", orient="vertical", split_number=10 #分成10个区间 ) ) .add("GDP",list,maptype="china") .render("Map2.html") )
运行以上代码,用浏览器打开生成的Map2.html,效果如下:
怎么样,这下效果是不是好多了,颜色越红代表GDP越高。你所在的省份2019年GDP处于哪个颜色段呢?当然,对于有些审美较高的朋友可能还是无法满足你的要求。
既然如此,那我再优化下代码,给地图添加主题。添加主题很简单,只要import下ThemeType,然后将主题添加到Mpa()方法内。我以ThemeType.DARK为例看下效果。
from pyecharts.globals import ThemeType #引入主题 Map(init_opts=opts.InitOpts(width="1000px", height="600px",theme = ThemeType.DARK)) #添加主题ThemeType.DARK
运行一下看看效果:
有没有B格上升n个level的感觉,如果你还不满意,ok,pyecharts内置了10余种主题任你切换。萝卜青菜各有所爱,自个调去吧~
Geo
Geo与Map类似,可以通过设置maptype参数选择地图类型,所支持的方法也和Map类似,我这里就不赘述了,直接贴代码。
#Geo地图-涟漪图 import pandas as pd from pyecharts import options as opts from pyecharts.charts import Geo from pyecharts.globals import ChartType data = pd.read_excel('GDP.xlsx') province = list(data["province"]) gdp = list(data["2019_gdp"]) list = [list(z) for z in zip(province,gdp)] print(list) c = ( Geo() .add_schema(maptype="china") .add( "geo", list, #传入数据 symbol_size=10, large_threshold=110000, #设置涟漪大小 type_=ChartType.EFFECT_SCATTER, #地图类型为涟漪图 ) .set_series_opts(label_opts=opts.LabelOpts(is_show=False)) .set_global_opts(visualmap_opts=opts.VisualMapOpts(max_=110000),title_opts=opts.TitleOpts(title="2019年各省GDP涟漪图")) .render("Geomap1.html") )
运行一下,效果如下:
Bmap
Bmap是百度地图的一个接口,你如果Map和Geo搞明白了,Bmap也是分分钟可以搞定的。不过,有一点要注意,你要先到百度地图开放平台注册,获取AK才可以调用哦。注册地址:https://lbsyun.baidu.com/index.php注册获得AK,就可以开心制作地图啦,以热力图为例,代码如下。
#Bmap-散点图、热力图和涟漪图 import pandas as pd from pyecharts.charts import BMap from pyecharts import options as opts from pyecharts.globals import ChartType data = pd.read_excel('GDP.xlsx') province = list(data["province"]) gdp = list(data["2019_gdp"]) list = [list(z) for z in zip(province,gdp)] print(list) c = ( BMap(init_opts=opts.InitOpts(width="1000px", height="600px")) .add_schema(baidu_ak="你的AK", center=[120.13066322374, 30.240018034923]) .add( "GDP", list, type_="heatmap", #scatter为散点图,heatmap为热力图,ChartType.EFFECT_SCATTER为涟漪图 label_opts=opts.LabelOpts(formatter="{b}") ) .set_global_opts( title_opts=opts.TitleOpts(title="2019年各省GDP热力图"), visualmap_opts=opts.VisualMapOpts(max_=110000) ) .render("Bmap1.html") )
运行后,长这样:
二、folium
你以为以上几个地图就能满足我查理对数据可视化美感的追求,那你太小看查理了,我经过研究,发现folium库才是吊炸天的存在。
首先,我用python调取了高德地图API接口,获得了广州市近6000个景点的地理数据,保存为poi_scenic_spot.csv。以下为部分数据:
然后安装folium库,设置刺激战场底图,当然你也可以换其他底图玩,代码中提供了mapbox底图、高德底图等,任你随意切换。
#folium-热力图 import pandas as pd import folium from folium import plugins data = pd.read_csv('./poi_scenic_spot.csv',encoding='utf-8') # heatmap1 = folium.Map(location=[23.122373,113.268027], zoom_start=10,control_scale = True) # 绘制地图,确定聚焦点,默认底图(加载慢) heatmap1 = folium.Map(location=[23.122373,113.268027], zoom_start=10,control_scale = True,tiles='stamen Terrain') #刺激战场底图 # heatmap1 = folium.Map(location=[23.122373,113.268027], zoom_start=10,control_scale = True,tiles='Mapbox Bright') #mapbox底图 # heatmap1 = folium.Map(location=[23.122373,113.268027], zoom_start=10,control_scale = True,tiles='stamentoner') #黑白底图 # heatmap1 = folium.Map( #高德底图 # location=[23.122373,113.268027], # zoom_start=15, # control_scale = True, # tiles='http://webrd02.is.autonavi.com/appmaptile?lang=zh_cn&size=1&scale=1&style=8&x={x}&y={y}&z={z}', # attr='© <a href="http://ditu.amap.com/" rel="external nofollow" >高德地图</a>' # ) folium.Marker([23.122373,113.268027],popup='<i>查理</i>',icon=folium.Icon(icon='cloud',color='green')).add_to(heatmap1) #创建中心标记 heatmap1.add_child(plugins.HeatMap([[row["lat"],row["lon"]] for name, row in data.iterrows()])) #传入经纬度 heatmap1.save("folium_map1.html") #生成网页
迫不及待运行了下,效果如下:
哈哈哈哈,好大一只红烧鸡。
热力图有点中看不中用啊,看这图我也很难搞清楚广州的景点分布情况。那咱换个别的图试试。
#folium-聚合散点地图 import pandas as pd import folium from folium import plugins data = pd.read_csv('./poi_scenic_spot.csv',encoding='utf-8') plotmap1 = folium.Map(location=[23.122373,113.268027], zoom_start=10,control_scale = True,tiles='stamentoner') folium.Marker([23.122373,113.268027],popup='<p style="color: green">我是J哥</p>',icon=folium.Icon(icon='cloud',color='green')).add_to(plotmap1) #创建中心标记 plotmap1.add_child(plugins.MarkerCluster([[row["lat"],row["lon"]] for name, row in data.iterrows()])) plotmap1.save('folium_map2.html')
看效果!
你就说酷不酷,炫不炫?
结 语
查理自认为以上归纳还算完整,当然,python的地图库还有很多,值得进一步挖掘。
到此这篇关于Python实现地图可视化案例详解的文章就介绍到这了,更多相关Python地图可视化内容请搜索我们以前的文章或继续浏览下面的相关文章希望大家以后多多支持我们!