kaggle地理空间分析-interactive maps(互动地图)

介绍

在本教程中，您将学习如何使用folium包创建交互式地图。 在此过程中，您将运用新技能来可视化波士顿犯罪数据。

import pandas as pd
import geopandas as gpd
import math

import folium
from folium import Choropleth, Circle, Marker
from folium.plugins import HeatMap, MarkerCluster

你的第一张交互式地图

我们首先使用folium.Map（）创建一个相对简单的地图。

# Create a map
m_1 = folium.Map(location=[42.32,-71.0589], tiles='openstreetmap', zoom_start=10)

# Display the map
m_1

有几个参数可自定义地图的外观：

• location设置地图的初始中心。我们使用波士顿市的纬度（42.32°N）和经度（-71.0589°E）。
• tiles会更改地图的样式;在这种情况下，我们选择OpenStreetMap样式。如果您好奇，可以在这里找到其他选项。
• zoom_start设置地图的初始缩放级别，较高的值会放大到更接近地图的位置。
  现在花点时间通过放大和缩小，或通过向不同方向拖动地图来进行探索。

数据

现在，我们将一些犯罪数据添加到地图中！

我们不会专注于数据加载步骤。相反，您可以想象您正处于pandas DataFramecrimes 中的一个点。数据的前五行如下所示。

# Load the data
crimes = pd.read_csv("../input/geospatial-learn-course-data/crimes-in-boston/crimes-in-boston/crime.csv", encoding='latin-1')

# Drop rows with missing locations
crimes.dropna(subset=['Lat', 'Long', 'DISTRICT'], inplace=True)

# Focus on major crimes in 2018
crimes = crimes[crimes.OFFENSE_CODE_GROUP.isin([
    'Larceny', 'Auto Theft', 'Robbery', 'Larceny From Motor Vehicle', 'Residential Burglary',
    'Simple Assault', 'Harassment', 'Ballistics', 'Aggravated Assault', 'Other Burglary', 
    'Arson', 'Commercial Burglary', 'HOME INVASION', 'Homicide', 'Criminal Harassment', 
    'Manslaughter'])]
crimes = crimes[crimes.YEAR>=2018]

# Print the first five rows of the table
crimes.head()

Plotting points(绘图点)

为了减少我们需要在地图上显示的数据量，我们（暂时）将注意力集中在白天的抢劫案上。

daytime_robberies = crimes[((crimes.OFFENSE_CODE_GROUP == 'Robbery') & \
                    (crimes.HOUR.isin(range(9,18))))]

folium.Marker(叶标记)

我们使用folium.Marker（）将标记添加到地图。 下面的每个标记对应于一个不同的抢劫。

# Create a map
m_2 = folium.Map(location=[42.32,-71.0589], tiles='cartodbpositron', zoom_start=13)

# Add points to the map
for idx, row in daytime_robberies.iterrows():
    Marker([row['Lat'], row['Long']]).add_to(m_2)

# Display the map
m_2

folium.plugins.MarkerCluster(叶插件标记群集)

如果我们要添加很多标记，则folium.plugins.MarkerCluster（）可以帮助整理地图。 将每个标记添加到MarkerCluster对象。

# Create the map
m_3 = folium.Map(location=[42.32,-71.0589], tiles='cartodbpositron', zoom_start=13)

# Add points to the map
mc = MarkerCluster()
for idx, row in daytime_robberies.iterrows():
    if not math.isnan(row['Long']) and not math.isnan(row['Lat']):
        mc.add_child(Marker([row['Lat'], row['Long']]))
m_3.add_child(mc)

# Display the map
m_3

Bubble maps(气泡图)

气泡图使用圆圈而不是标记。 通过改变每个圆圈的大小和颜色，我们还可以显示位置和其他两个变量之间的关系。

我们使用folium.Circle（）创建一个气泡图来迭代添加圆。 在下面的代码单元中，在9-12点发生的抢劫用绿色绘制，而在13-17点发生的抢劫用红色绘制。

# Create a base map
m_4 = folium.Map(location=[42.32,-71.0589], tiles='cartodbpositron', zoom_start=13)

def color_producer(val):
    if val <= 12:
        return 'forestgreen'
    else:
        return 'darkred'

# Add a bubble map to the base map
for i in range(0,len(daytime_robberies)):
    Circle(
        location=[daytime_robberies.iloc[i]['Lat'], daytime_robberies.iloc[i]['Long']],
        radius=20,
        color=color_producer(daytime_robberies.iloc[i]['HOUR'])).add_to(m_4)

# Display the map
m_4# Create a base map
m_4 = folium.Map(location=[42.32,-71.0589], tiles='cartodbpositron', zoom_start=13)

def color_producer(val):
    if val <= 12:
        return 'forestgreen'
    else:
        return 'darkred'

# Add a bubble map to the base map
for i in range(0,len(daytime_robberies)):
    Circle(
        location=[daytime_robberies.iloc[i]['Lat'], daytime_robberies.iloc[i]['Long']],
        radius=20,
        color=color_producer(daytime_robberies.iloc[i]['HOUR'])).add_to(m_4)

# Display the map
m_4

请注意folium.Circle（）带有几个参数：

• location是一个列表，其中包含经度和纬度的圆心。
• radius设置圆的半径。
  请注意，在传统的气泡图中，每个圆的半径都可以变化。我们可以通过定义类似于color_producer（）函数的函数来实现此目的，该函数用于更改每个圆圈的颜色。
• color设置每个圆圈的颜色。
  color_producer（）函数用于可视化小时对抢劫位置的影响。

Heatmaps(热图)

要创建热图，我们使用folium.plugins.HeatMap（）。 这显示了城市不同区域的犯罪密度，其中红色区域的犯罪事件相对较多。

正如我们对一个大城市的期望一样，大多数犯罪都发生在市中心附近。

# Create a base map
m_5 = folium.Map(location=[42.32,-71.0589], tiles='cartodbpositron', zoom_start=12)

# Add a heatmap to the base map
HeatMap(data=crimes[['Lat', 'Long']], radius=10).add_to(m_5)

# Display the map
m_5

如您在上面的代码单元中看到的，folium.plugins.HeatMap（）带有几个参数：

• data是一个DataFrame，其中包含我们要绘制的位置。
• radius(半径)控制热图的平滑度。 较高的值可使热图看起来更平滑（即，间隙较小）。

Choropleth maps(分级统计图)

为了了解不同警区的犯罪情况，我们将创建一个choropleth地图。

第一步，我们创建一个GeoDataFrame，为每个地区分配一个不同的行，并且“ geometry”列包含地理边界。

# GeoDataFrame with geographical boundaries of Boston police districts
districts_full = gpd.read_file('../input/geospatial-learn-course-data/Police_Districts/Police_Districts/Police_Districts.shp')
districts = districts_full[["DISTRICT", "geometry"]].set_index("DISTRICT")
districts.head()

我们还创建了一个名为plot_dict的熊猫系列，该系列显示了每个地区的犯罪数量。

# Number of crimes in each police district
plot_dict = crimes.DISTRICT.value_counts()
plot_dict.head()

这是非常重要的，plot_dict与districts(地区)具有相同的索引-这就是代码知道如何使用适当的颜色匹配地理边界的方式。

使用folium.Choropleth（）类，我们可以创建一个Choropleth图。 如果下面的地图没有为您呈现，请尝试在其他Web浏览器中查看页面。

# Create a base map
m_6 = folium.Map(location=[42.32,-71.0589], tiles='cartodbpositron', zoom_start=12)

# Add a choropleth map to the base map
Choropleth(geo_data=districts.__geo_interface__, 
           data=plot_dict, 
           key_on="feature.id", 
           fill_color='YlGnBu', 
           legend_name='Major criminal incidents (Jan-Aug 2018)'
          ).add_to(m_6)

# Display the map
m_6

out12

请注意folium.Choropleth（）带有几个参数：

• geo_data是一个GeoJSON FeatureCollection，其中包含每个地理区域的边界。
  在上面的代码中，我们使用__geo_interface__属性将districtsGeoDataFrame转换为GeoJSON FeatureCollection。
• data是一个Pandas Series，其中包含将用于对每个地理区域进行颜色编码的值。
• key_on将始终设置为feature.id。
  这是指用于geo_data的GeoDataFrame和data中提供的Pandas Series具有相同的索引。 为了理解细节，我们必须更仔细地看一下GeoJSON Feature Collection的结构（其中与“ features”键相对应的值是一个列表，其中每个条目都是一个包含“ id”键的字典）。
• fill_color设置颜色比例。
• legend_name在地图的右上角标记了图例。

Your turn

设计自己的地图，以确定日本的哪些地区需要额外的地震加固。