【matplotlib基础】--结合地图

羁旅人生

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：

• 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
  
• 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
  
• 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：

1. $ pip install geopandas

复制代码

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

1. import geopandas as gpd
3. df_geo = gpd.read_file(
4.     "https://geo.datav.aliyun.com/areas_v3/bound/320100_full.json"
5. )
6. df_geo

复制代码

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：

1. import matplotlib.pyplot as plt
3. fig, ax = plt.subplots()
4. fig.set_size_inches(8, 8)
6. # df_geo就是上面通过geopandas读取的数据
7. df_geo.plot(
8.     ax=ax,
9.     column="name",
10.     cmap="plasma",
11.     edgecolor="k",
12.     legend=True,
13.     legend_kwds={"loc": "lower left"}
14. )
15. plt.show()

复制代码

其中主要参数的含义：

• ax：matplotlib生成的子图，这里就是数据要绘制的位置
  
• column：作为不同区域的名称，这里就是南京各个区的名称
  
• cmap：一组颜色，分别对应不同的区
  
• edgecolor：每个多边形边缘的颜色，这里设置的是黑色
  
• legend：是否显示图例
  
• 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：

1. # 删除 df_geo 中一些不必要的列
2. df_geo = df_geo.drop(columns=["childrenNum", "level", "parent", "subFeatureIndex"])
4. # 南京各个区的名称
5. area_names = df_geo.loc[:, "name"]
7. # df_val为测试数据，其中name列是各个区的名称
8. # value 列是一些随机数，模拟各个区的人口，GDP等数据
9. df_val = pd.DataFrame({
10.     "name": area_names.tolist(),
11.     "value": np.random.randint(10, 10000, len(area_names))
12. })

复制代码

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。

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

复制代码

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。

1. fig, ax = plt.subplots()
2. fig.set_size_inches(8, 8)
3. ax.axis("off")
5. df.plot(
6.     ax=ax,
7.     column="value",
8.     cmap="plasma",
9.     edgecolor="k",
10.     legend=True,
11.     legend_kwds={'label': "value", 'shrink':0.5},
12. )
14. for index in df.index:
15.     x = df.iloc[index].geometry.centroid.x
16.     y = df.iloc[index].geometry.centroid.y
17.     name = df.iloc[index]["name"]
18.     if name in ["建邺区", "鼓楼区", "玄武区", "秦淮区"]:
19.         ax.text(x, y, name, ha="center", va="center", fontsize=8)
20.     else:
21.         ax.text(x, y, name, ha="center", va="center")
23. plt.show()

复制代码

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  = 5000
  

[code]import matplotlib.patches as mpatchesfig, 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