【matplotlib基础】–结合地图

如果分析的数据与地域相关，那么，把分析结果结合地图一起展示的话，会让可视化的效果得到极大的提升。

比如，分析各省GDP数据，人口数据，用柱状图，饼图之类的虽然都可以展示分析结果，
不过，如果能在全国的地图上展示各省的分析结果的话，会让人留下更加深刻的印象。

将数据的分析结果展示在地图上，难点在于：

1. 如何绘制地图，地图是展示数据的基础，如何绘制出需要的地图区域是第一步
2. 数据和地图关联，数据最终要显示在地图上，数据如何与地理坐标关联也是重要的一步
3. 地图上展示数据，也就是要在地图上绘制不同的颜色或者几何形状来表达不同的数据

解决了上面3个难题，就能够结合地图做一些基本的数据展示了。
本篇通过一个基于南京各个区地理信息的分析示例，来演示如何一步步通过地图来展示分析结果。

1. 绘制地图

第一步是绘制地图，其实地图就是一块块不规则的多边形拼接起来的。
在本篇的示例中，各个多边形就是南京的各个区。

绘制多边形不难，难的是如何得到各个多边形的顶点坐标。
好在现在有很多的开放地理信息平台，可以让我们获取到想要的地理信息。

1.1. 获取地理信息

比如，通过阿里的DataV数据可视化平台，可以获取南京各个区的地理范围信息。

在这个平台上，左边选择区域，右边会生成对应范围的地理信息的数据。
地理信息数据是json格式。

1.2. 展示地理信息

为了读取地理信息数据并展示，需要用到一个 GeoPandas 的库。
用 pip 安装很简单：

$ pip install geopandas 

geopandas可以直接读取DataV数据可视化平台生成的JSON数据并展示。

import geopandas as gpd  df_geo = gpd.read_file(     "https://geo.datav.aliyun.com/areas_v3/bound/320100_full.json" ) df_geo  

json文件的HTTP地址DataV数据可视化平台就是在上生成的。
这个文件中的关键字段就是 geometry，其中的内容就是各个区的多边形形状的各个顶点的经纬度坐标。

展示数据：

import matplotlib.pyplot as plt  fig, ax = plt.subplots() fig.set_size_inches(8, 8)  # df_geo就是上面通过geopandas读取的数据 df_geo.plot(     ax=ax,     column="name",     cmap="plasma",     edgecolor="k",     legend=True,     legend_kwds={"loc": "lower left"} ) plt.show() 

其中主要参数的含义：

1. ax：matplotlib生成的子图，这里就是数据要绘制的位置
2. column：作为不同区域的名称，这里就是南京各个区的名称
3. cmap：一组颜色，分别对应不同的区
4. edgecolor：每个多边形边缘的颜色，这里设置的是黑色
5. legend：是否显示图例
6. legend_kwds：设置图例的配置信息，这里只设置了图例的位置

2. 地图和数据关联

首先生成一些测试数据：

# 删除 df_geo 中一些不必要的列 df_geo = df_geo.drop(columns=["childrenNum", "level", "parent", "subFeatureIndex"])  # 南京各个区的名称 area_names = df_geo.loc[:, "name"]  # df_val为测试数据，其中name列是各个区的名称 # value 列是一些随机数，模拟各个区的人口，GDP等数据 df_val = pd.DataFrame({     "name": area_names.tolist(),     "value": np.random.randint(10, 10000, len(area_names)) })  

测试数据 df_val 模拟其他途径得到的业务数据，
下面要将 df_val 中的指展示到地图上，就要先把 df_val 和 df_geo 结合起来。

# 以 name 列作为结合两个数据集的依据 df = pd.merge(df_geo, df_val, on="name", how="left") df 

这样，我们就得到了同时包含地理信息（geometry）和业务数据（value）的数据集了。

3. 地图上展示数据

接下来就是展示数据了，下面演示两种在地图上展示数据的方式。

3.1. 热力图方式

根据 value 值的不同，用渐变色来显示不同区的颜色。

fig, ax = plt.subplots() fig.set_size_inches(8, 8) ax.axis("off")  df.plot(     ax=ax,     column="value",     cmap="plasma",     edgecolor="k",     legend=True,     legend_kwds={'label': "value", 'shrink':0.5}, )  for index in df.index:     x = df.iloc[index].geometry.centroid.x     y = df.iloc[index].geometry.centroid.y     name = df.iloc[index]["name"]     if name in ["建邺区", "鼓楼区", "玄武区", "秦淮区"]:         ax.text(x, y, name, ha="center", va="center", fontsize=8)     else:         ax.text(x, y, name, ha="center", va="center")  plt.show() 

其中，"建邺区", "鼓楼区", "玄武区", "秦淮区" 四个区的面积比较小，
所以字体稍微调小了一些。

3.2. 分类展示

把 value值分为3类，每类用不同的形式来表示。

• value < 3000
• 3000 <= value < 5000
• value >= 5000

import matplotlib.patches as mpatches  fig, ax = plt.subplots() fig.set_size_inches(5, 10) ax.axis("off") legend_list = []  df[df["value"] < 3000].plot(     ax=ax,     color="lightblue",     edgecolor="k",     hatch="\\",     legend=False, ) legend_list.append(     mpatches.Patch(         facecolor="lightblue",         edgecolor="black", hatch="\\", label="value<3000"     ) )   df[(df["value"] >= 3000) & (df["value"] < 5000)].plot(     ax=ax,     color="lightgreen",     edgecolor="k",     hatch="o",     legend=False, ) legend_list.append(     mpatches.Patch(         facecolor="lightgreen",         edgecolor="black", hatch="o", label="3000<=value<5000") )  df[df["value"] >= 5000].plot(     ax=ax,     color="r",     edgecolor="k",     hatch="*",     legend=False, ) legend_list.append(mpatches.Patch(     facecolor="r",     edgecolor="black", hatch="*", label="value>=5000"))  ax.legend(handles = legend_list,            loc=(1, 0.5),            title="value 等级",            fontsize=12)  plt.show() 

4. 总结

结合地理信息展示数据，让数据更加的生动，特别是很多数据分析场景本身就和地理信息密切相关。
除了基于地域的各种经济或者人口等等的相关数据，
还有各类气象数据，如能和地理信息结合展示的话，会让人对整体情况一目了然。

文中用到的主要资源：

• DataV数据可视化平台：https://datav.aliyun.com/portal/school/atlas/area_selector
• GeoPandas：https://github.com/geopandas/geopandas