1、简介
Geoplotlib 是地理空间数据可视化的开源Python库，包含了大量的地理空间可视化操作，并且支持硬件加速。
本文是整理《Python数据可视化》一书而来，书中的源码地址：https://github.com/TrainingByPackt/Data-Visualization-with-Python，文中出现的数据资源也可也从中寻找并下载。源码中有ipynb文件，方便大家学习！
2、环境基础
运行环境为python3，我们需要提前安装数据处理相关的Python库。
1、pandas
2、numpy
3、Geoplotlib（pip install geoplotlib）
3、两个例子
本文将介绍四种数据呈现方法：dot（画点）、hist（二维直方图）、voronoi（维诺图）、delaunay（三角剖分）。
dot方法没什么说的，就是把每个数据 映射成地图上的一个点。
hist方法可以用 方块的颜色深浅 反应数据的分布情况。
voronio方法类似。
delaunay方法通过 三角形的大小与密度 反应数据的分布情况。
我们这里通过两个例子讲述这四种呈现方式。
exp1：显示盗猎时间的Voronio可视化结果
import pandas as pd import geoplotlib as gpl from geoplotlib.utils import DataAccessObject import os pd_dataset=pd.read_csv('poaching_points_cleaned.csv')
#地图资源链接如下：
#https://github.com/TrainingByPackt/Data-Visualization-with-Python/blob/master/Lesson05/Exercise06/data/poaching_points_cleaned.csv
#放到当前目录下就行了，如果有路径问题用cd改一下终端的地址
dataset=DataAccessObject(pd_dataset)#新建DataAccessObject对象用于存储数据集 print(pd_dataset.head())#打印前五行信息 #lat lon为经纬度信息 #通过画点的方式将目标信息绘制出来（在大地图上） gpl.dot(dataset) gpl.show() #如果没有前面那些操作，则geoplotlib.show结果为一张世界地图
可以对这些数据进行进一步可视化操作，这里使用 hist方法 可以呈现大致的热力图，颜色越深表示数据越密集。
gpl.dot(dataset) gpl.hist(dataset,binsize=20) gpl.show()
exp2：人口密度可视化
先输出基本信息。
注意到这里dataset直接用pandas的read方法获取，没有使用DataAccessObject方法转换。
pandas的这种数据格式可以很快的处理数据，使用groupby()方法可以获取纵列数据，注意该方法的参数是['City']而非'City'，虽然结果一样，但是不加中括号会慢很多，groupby('City')需要遍历所有数据，而groupby(['City'])直接获取纵列信息。groupby()方法返回的是DataFrameGroupBy结构，包含这组数据的相关信息。
另外最后输出前20个国家的统计信息时使用dataset.groupby(['Country']).size().head(20)。先用size()方法统计纵列信息，倘若不加size()方法，则只会结果为打印所有原数据，后面加了head(20)也没有用。
在输出每个国家的平均城市数量时，size().agg('mean')与size().mean()方法等价。
import matplotlib.pyplot as plt import pandas as pd import numpy as np '''读取人口信息''' dataset=pd.read_csv(r'world_cities_pop.csv', dtype={'Region': np.str}) #地图资源链接如下： #https://github.com/TrainingByPackt/Data-Visualization-with-Python/blob/master/Lesson05/Activity27/data/world_cities.zip print(dataset.dtypes) print(dataset.head()) '''输出人口的基本信息''' print('len of data:',len(dataset)) #print('len of City:',len(dataset.groupby(['City']))) #len of City比较大，计算时间比较长，自己跑的时候调了半天原来卡在这里 print('len of Country:',len(dataset.groupby(['Country']))) '''输出每个国家的平均城市数量''' CountryInfo=dataset.groupby(['Country']) print(CountryInfo.size().head(5)) print(CountryInfo.size().agg('mean')) print(CountryInfo.size().mean()) #后两个方法等价
接下来我们将人口信息绘制到地图上
在绘制之前还有一个步骤就是修改一下原数据的标签，因为geoplotlib通过纵列的标签索引进行相关操作的，因此要把原数据的Latitude名字改为Lat，Longitude改为lon，分别对应经纬度信息。
dataset['lat'] = dataset['Latitude'] dataset['lon'] = dataset['Longitude'] gpl.dot(dataset) gpl.show()
绘制完我们可以发现图像比较粗糙，点都聚集在一起，因此需要对人口数据选择性处理。
首先就是只选择人口数大于0的部分，也就是参与统计的数据，避免无效数据的干扰。
随后选择只绘制人口数大于10万的城市，图像一下清晰多了。
#有效信息，统计到人口信息的城市/国家才参与后续计算 dataset_with_pop = dataset[(dataset['Population'] > 0)] print('Original data:', len(dataset)) print('Data with useful information', len(dataset_with_pop)) dataset_100k = dataset_with_pop[(dataset_with_pop['Population'] >= 100_000)] #注意到数字是这种表达方式 print('The number of Cities with over 100,000 population:',len(dataset_100k)) #超过10万的人口的城市个数 gpl.dot(dataset_100k) gpl.set_bbox(BoundingBox.WORLD) gpl.show()
将这些数据进行voronio处理，以热力图的形式呈现。这里建议alpha值不要设置成255，不然只有黑黑红红的一片而没有呈现在地图上。
gpl.voronoi(dataset_100k, cmap='hot_r', max_area=1e3, alpha=125) gpl.show()
Ps：cmap可以改颜色的噢，颜色列表：
'Accent', 'Accent_r', 'Blues', 'Blues_r', 'BrBG', 'BrBG_r', 'BuGn', 'BuGn_r', 'BuPu', 'BuPu_r', 'CMRmap', 'CMRmap_r', 'Dark2', 'Dark2_r', 'GnBu', 'GnBu_r', 'Greens',
'Greens_r', 'Greys', 'Greys_r', 'OrRd', 'OrRd_r', 'Oranges', 'Oranges_r', 'PRGn', 'PRGn_r', 'Paired', 'Paired_r', 'Pastel1', 'Pastel1_r', 'Pastel2', 'Pastel2_r', 'PiYG', 'PiYG_r', 'PuBu', 'PuBuGn', 'PuBuGn_r', 'PuBu_r', 'PuOr', 'PuOr_r',
'PuRd', 'PuRd_r', 'Purples', 'Purples_r', 'RdBu', 'RdBu_r', 'RdGy', 'RdGy_r', 'RdPu', 'RdPu_r', 'RdYlBu', 'RdYlBu_r', 'RdYlGn', 'RdYlGn_r', 'Reds', 'Reds_r', 'Set1', 'Set1_r', 'Set2', 'Set2_r', 'Set3', 'Set3_r', 'Spectral', 'Spectral_r',
'Wistia', 'Wistia_r', 'YlGn', 'YlGnBu', 'YlGnBu_r', 'YlGn_r', 'YlOrBr', 'YlOrBr_r', 'YlOrRd', 'YlOrRd_r', 'afmhot', 'afmhot_r', 'autumn', 'autumn_r', 'binary', 'binary_r', 'bone', 'bone_r', 'brg', 'brg_r', 'bwr', 'bwr_r', 'cividis', 'cividis_r', 'cool', 'cool_r', 'coolwarm', 'coolwarm_r', 'copper', 'copper_r', 'cubehelix', 'cubehelix_r', 'flag', 'flag_r', 'gist_earth', 'gist_earth_r', 'gist_gray', 'gist_gray_r', 'gist_heat', 'gist_heat_r', 'gist_ncar', 'gist_ncar_r', 'gist_rainbow', 'gist_rainbow_r', 'gist_stern', 'gist_stern_r', 'gist_yarg', 'gist_yarg_r', 'gnuplot', 'gnuplot2', 'gnuplot2_r', 'gnuplot_r', 'gray', 'gray_r', 'hot', 'hot_r', 'hsv', 'hsv_r', 'inferno', 'inferno_r', 'jet', 'jet_r', 'magma', 'magma_r', 'nipy_spectral', 'nipy_spectral_r', 'ocean', 'ocean_r', 'pink', 'pink_r', 'plasma', 'plasma_r', 'prism', 'prism_r', 'rainbow', 'rainbow_r', 'seismic', 'seismic_r', 'spring', 'spring_r', 'summer', 'summer_r', 'tab10', 'tab10_r',
'tab20', 'tab20_r', 'tab20b', 'tab20b_r', 'tab20c', 'tab20c_r', 'terrain', 'terrain_r', 'turbo', 'turbo_r', 'twilight', 'twilight_r', 'twilight_shifted', 'twilight_shifted_r', 'viridis', 'viridis_r', 'winter', 'winter_r'
可以把前面的gpl.dot(dataset_100k)注释掉看看，这样地图上不会化小红点点，可能好看一些（）
对数据的密度还有一种呈现方式就是delaunay方法，可以用三角网格的方式表现数据。
这里我们选择中国的数据进行处理。如果想同时包含多个地区，可以用''|''运算符进行添加，比如dataset_europe = dataset_100k[(dataset_100k['Country'] == 'de') | (dataset_100k['Country'] == 'gb')]（选择德国与英国的数据）
#选取中国的数据 dataset_china = dataset_100k[(dataset_100k['Country'] == 'cn')] print('Cities in China with over 100,000 population:', len(dataset_china)) gpl.dot(dataset_china) gpl.delaunay(dataset_china, cmap='Wistia') #这个颜色好看！！ gpl.show()
网格越密集，则人口密度越大。可以发现中国的大人口城市主要集中在东部地区。
4、结语
啊啊啊啊第一次写博客好紧张，最近会把可视化方面的资料整理出来，趁暑假比较闲尽量日更（）。
如有疑问和意见，欢迎留言！萌新会马不停蹄去查资料的！