使用Python制作3个简易地图
作者 | Ritvik Kharkar
来源 | Medium
编辑 | 代码医生团队
在处理地理空间数据时，经常需要以最自然的方式可视化这些数据：地图。如果可以使用Python快速轻松地创建数据的交互式地图，在本教程中使用洛杉矶县所有星巴克位置的数据集。在文章的最后将能够创建：
- 洛杉矶县所有星巴克酒店的基本点图
- 一个等值线图，根据每个星巴克中包含的星巴克数量，在洛杉矶县的邮政编码中加以遮蔽
- 一个热图这凸显了洛杉矶县星巴克的“热点”
你会需要：
- Python包pandas。这用于在Python中轻松操作数据
- Python包folium。这用于非常轻松地创建地图
- 在洛杉矶县纬度/星巴克的经度电子表格
https://github.com/ritvikmath/StarbucksStoreScraping/blob/master/starbucksInLACounty.csv
- LA县的GeoJSON（基本上是描述复杂形状的json）
https://github.com/ritvikmath/StarbucksStoreScraping/blob/master/laMap.geojson
- LA县所有邮政编码的GeoJSON
https://github.com/ritvikmath/StarbucksStoreScraping/blob/master/laZips.geojson
为了熟悉数据，这里是前几行的快照：
只需要担心此分析的纬度，经度和zip字段。
以下是所需的Python导入，加载星巴克数据以及加载LA County GeoJSON：
import folium
import pandas as pd
import json
from folium import plugins
df = pd.read_csv('starbucksInLACounty.csv')
with open('laMap.geojson') as f:
laArea = json.load(f)基本点图
从数据框中的纬度/经度对创建洛杉矶县所有星巴克的基本点图非常简单。
#initialize the map around LA County
laMap = folium.Map(location=[34.0522,-118.2437], tiles='Stamen Toner', zoom_start=9)
#add the shape of LA County to the map
folium.GeoJson(laArea).add_to(laMap)
#for each row in the Starbucks dataset, plot the corresponding latitude and longitude on the map
for i,row in df.iterrows():
folium.CircleMarker((row.latitude,row.longitude), radius=3, weight=2, color='red', fill_color='red', fill_opacity=.5).add_to(laMap)
#save the map as an html
laMap.save('laPointMap.html')打开laPointMap.html，看到以下地图：
可以清楚地看到洛杉矶县的所有星巴克都是洛杉矶县内的小红点。当然可以自定义点的任何颜色和形状。
Choropleth地图
在使用Python中的地图之前，实际上不知道什么是等值线图，但事实证明它们在可视化聚合的地理空间数据方面非常有用。
等值线图将回答这个问题：“洛杉矶县哪些邮政编码的星巴克最多？”。基于其他变量的值，在案例中星巴克商店的数量，等值线图基本上在每个邮政编码中着色。
首先回顾创建一个所需的基本代码：
#group the starbucks dataframe by zip code and count the number of stores in each zip code
numStoresSeries = df.groupby('zip').count().id
#initialize an empty dataframe to store this new data
numStoresByZip = pd.DataFrame()
#populate the new dataframe with a 'zipcode' column and a 'numStores' column
numStoresByZip['zipcode'] = [str(i) for i in numStoresSeries.index]
numStoresByZip['numStores'] = numStoresSeries.values
#initialize the LA County map
laMap = folium.Map(location=[34.0522,-118.2437], tiles='Stamen Toner', zoom_start=9)
#draw the choropleth map. These are the key components:
#--geo_path: the geojson which you want to draw on the map [in our case it is the zipcodes in LA County]
#--data: the pandas dataframe which contains the zipcode information
# AND the values of the variable you want to plot on the choropleth
#--columns: the columns from the dataframe that you want to use
#[this should include a geospatial column [zipcode] and a variable [numStores]
#--key_on: the common key between one of your columns and an attribute in the geojson.
#This is how python knows which dataframe row matches up to which zipcode in the geojson
laMap.choropleth(geo_path='laZips.geojson', data=numStoresByZip, columns=['zipcode', 'numStores'], \
key_on='feature.properties.zipcode', fill_color='YlGn', fill_opacity=1)
laMap.save('laChoropleth.html')由于个人发现更难理解如何将所有组件放到适当的位置，看一下单独的视觉效果，看看它是如何工作的。
例如，等值线需要知道填写邮政编码90001的颜色。它检查由所引用的数据帧大熊猫数据字段，搜索KEY_ON为邮政编码列，并发现中列出的其他列的列是numStores。然后它知道它需要在邮政编码90001中填写对应于3个商店的颜色。
然后它会查看geo_path字段引用的GeoJSON ，并找到邮政编码90001及其相关的形状信息，该信息告诉它在地图上为该邮政编码绘制哪种形状。通过这些链接，它具有所有必要的信息。来看看laChoropleth.html中产生的等值线！
看到它顶部有一个漂亮的彩条供参考。
热图
在上面的等值线图中，看到南洛杉矶县的地区似乎总体上有更多的星巴克商店，可以找出附近有很多星巴克店的地方吗？创建一个热图来突出洛杉矶县的星巴克“热点”。
#initialize the LA County map
laMap = folium.Map(location=[34.0522,-118.2437], tiles='Stamen Toner', zoom_start=9)
#add the shape of LA County to the map
folium.GeoJson(laArea).add_to(laMap)
#for each row in the Starbucks dataset, plot the corresponding latitude and longitude on the map
for i,row in df.iterrows():
folium.CircleMarker((row.latitude,row.longitude), radius=3, weight=2, color='red', fill_color='red', fill_opacity=.5).add_to(laMap)
#add the heatmap. The core parameters are:
#--data: a list of points of the form (latitude, longitude) indicating locations of Starbucks stores
#--radius: how big each circle will be around each Starbucks store
#--blur: the degree to which the circles blend together in the heatmap
laMap.add_children(plugins.HeatMap(data=df[['latitude', 'longitude']].as_matrix(), radius=25, blur=10))
#save the map as an html
laMap.save('laHeatmap.html')热图中需要一些试验和错误的主要参数是半径，它控制每个星巴克商店周围的圆圈大小以及控制圆圈“混合”在一起的模糊程度。
更高的半径意味着任何给定的星巴克影响更广泛的区域，更高的模糊意味着两个相距更远的星巴克仍然可以贡献一个热点。参数由您决定！
在laHeatmap.html中看到热图的图片。
似乎一切都是红色的。如果放大热图可能会更有价值。放大一点看看是否可以识别更具体的热点。
从上面的地图可以清楚地看到，在地图中有一些热点和一些非热点。最引人注目的是洛杉矶市中心。
唯一遗憾的是，还没有找到一种方法将这些地图的实际交互式版本嵌入到Medium帖子中，所以只能显示截图。强烈建议通过此帖子运行一小段代码，以便自己使用交互式地图。这是一次完全不同的体验。
包含此分析中使用的所有代码的完整笔记本可以在GitHub上找到。
https://github.com/ritvikmath/StarbucksStoreScraping/blob/master/MakingLAMaps.ipynb