本文主要介绍GeoPandas结合matplotlib实现地图的基础可视化。GeoPandas是一个Python开源项目，旨在提供丰富而简单的地理空间数据处理接口。GeoPandas扩展了Pandas的数据类型，并使用matplotlib进行绘图。GeoPandas官方仓库地址为：GeoPandas。GeoPandas的官方文档地址为：GeoPandas-doc。关于GeoPandas的使用见[数据分析与可视化] Python绘制数据地图1-GeoPandas入门指北。
本文所有代码见：Python-Study-Notes
GeoPandas推荐使用Python3.7版本及以上，运行环境最好是linux系统。GeoPandas安装命令如下：
(资料图片仅供参考)
pip install geopandas
如果上述命令安装出问题，则推荐使用conda安装GeoPandas，命令如下：
conda install geopandas
或：
目录1 基础绘图1.1 绘图接口说明1.2 绘图实例之中国地图绘制2 分层设色2.1 分层设色基本介绍2.2 绘图实例之用于地图的分层设色3 参考conda install --channel conda-forge geopandas
# jupyter notebook环境去除warningimport warningswarnings.filterwarnings("ignore")# 查看geopandas版本import geopandas as gpdgpd.__version__"0.10.2"GeoPandas基于matplotlib库封装高级接口用于制作地图，GeoSeries或GeoDataFrame对象都提供了plot函数以进行对象可视化。与GeoSeries对象相比，GeoDataFrame对象提供的plot函数在参数上更为复杂，也更为常用。GeoDataFrame对象提供的plot函数的常用输入参数如下：
def GeoDataFrame.plot(column: str, np.array, pd.Series (default None), # 用于绘图的列名或数据列kind: str, # 绘图类型cmap: str, # matplotlib的颜色图Colormapscolor: str, np.array, pd.Series (default None), # 指定所有绘图对象的统一颜色ax: matplotlib.pyplot.Artist (default None), # 指定matplotlib的绘图轴cax: matplotlib.pyplot Artist (default None), # 设置图例的坐标轴categorical: bool (default False), # 是否按照类别设置对象颜色legend: bool (default False), # 是否显示图例，如果column或color参数未赋值，则此参数无效scheme: str (default None), # 用于控制分层设色k：int (default 5), # scheme的层次数vmin：None or float (default None), # 图例cmap的最小值vmax：None or float (default None), # 图例cmap的最大值markersize：str or float or sequence (default None), # 绘图点的大小figsize: tuple of integers (default None), # 用于控制matplotlib.figure.Figurelegend_kwds: dict (default None), # matplotlib图例参数missing_kw: dsdict (default None), # 缺失值区域绘制参数aspect:‘auto’, ‘equal’, None or float (default ‘auto’), # 设置绘图比例**style_kwds: dict, # 其他参数，如对象边界色edgecolor, 对象填充色facecolor, 边界宽linewidth,透明度alpha)->ax: matplotlib axes instanceGeoSeries对象提供的plot函数的常用输入参数如下：
def GeoSeries.plot(s: Series, # GeoSeries对象cmap: str (default None),color: str, np.array, pd.Series, List (default None),ax: matplotlib.pyplot.Artist (default None),figsize: pair of floats (default None),aspect: ‘auto’, ‘equal’, None or float (default ‘auto’),**style_kwds: dict)->ax: matplotlib axes instance想要更好使用以上参数最好熟悉matplotlib，如有不懂可以查阅matplotlib文档。下面简要介绍GeoPandas中绘图函数的使用。
读取数据集
import geopandas as gpd# 读取自带世界地图数据集world = gpd.read_file(gpd.datasets.get_path("naturalearth_lowres"))# 人口，大洲，国名，国家缩写，ISO国家代码，gdp，地理位置数据world.head()| pop_est | continent | name | iso_a3 | gdp_md_est | geometry | |
|---|---|---|---|---|---|---|
| 0 | 920938 | Oceania | Fiji | FJI | 8374.0 | MULTIPOLYGON (((180.00000 -16.06713, 180.00000... |
| 1 | 53950935 | Africa | Tanzania | TZA | 150600.0 | POLYGON ((33.90371 -0.95000, 34.07262 -1.05982... |
| 2 | 603253 | Africa | W. Sahara | ESH | 906.5 | POLYGON ((-8.66559 27.65643, -8.66512 27.58948... |
| 3 | 35623680 | North America | Canada | CAN | 1674000.0 | MULTIPOLYGON (((-122.84000 49.00000, -122.9742... |
| 4 | 326625791 | North America | United States of America | USA | 18560000.0 | MULTIPOLYGON (((-122.84000 49.00000, -120.0000... |
world.plot()# 读取自带世界各大城市数据集cities = gpd.read_file(gpd.datasets.get_path("naturalearth_cities"))# 名字，地理位置数据cities.head()| name | geometry | |
|---|---|---|
| 0 | Vatican City | POINT (12.45339 41.90328) |
| 1 | San Marino | POINT (12.44177 43.93610) |
| 2 | Vaduz | POINT (9.51667 47.13372) |
| 3 | Luxembourg | POINT (6.13000 49.61166) |
| 4 | Palikir | POINT (158.14997 6.91664) |
分区统计图
GeoPandas可以轻松创建分区统计图（每个形状的颜色基于关联变量值的地图）。只需在plot函数中将参数column设置为要用于指定颜色的列。
# 去除南极地区world = world[(world.pop_est>0) & (world.name!="Antarctica")]# 计算人均gpdworld["gdp_per_cap"] = world.gdp_md_est / world.pop_est# 绘图world.plot(column="gdp_per_cap")图例设置
legend=True即可展示图例。
import matplotlib.pyplot as pltfig, ax = plt.subplots(1, 1)# 根据人口绘图数绘制world.plot(column="pop_est", ax=ax, legend=True)但是我们会发现绘图区域和图例区域不对齐，我们通过mpl_toolkits设置图例轴，并通过cax参数直接控制plot函数的图例绘制。
from mpl_toolkits.axes_grid1 import make_axes_locatablefig, ax = plt.subplots(1, 1)divider = make_axes_locatable(ax)# 设置图例，right表示位置，size=5%表示图例宽度，pad表示图例离图片间距cax = divider.append_axes("right", size="5%", pad=0.2)world.plot(column="pop_est", ax=ax, legend=True, cax=cax)此外我们可以通过legend_kwds设置图例信息和方向，就像matplotlib那样。
import matplotlib.pyplot as pltfig, ax = plt.subplots(1, 1)world.plot(column="pop_est", ax=ax, legend=True, legend_kwds={"label": "Population by Country and Area", "orientation": "horizontal"})颜色设置
GeoPandas的绘图函数中通过cmap参数设置颜色图，具体cmap参数的设置可以见matplotlib颜色图选择教程。
# 设置颜色图为tab20world.plot(column="gdp_per_cap", cmap="tab20")如果只想绘制边界，可以调用boundary属性进行绘制。
world.boundary.plot()缺失数据绘制
当绘制项某些地图的数据缺失时，GeoPandas会自动放弃这些区域数据的绘制。如下所示。将Africa地区的gdp_per_cap数据设置为确实，那么将不在地图上绘制Africa地区的图形。
import numpy as npworld.loc[world[world.continent=="Africa"].index, "gdp_per_cap"] = np.nanworld.plot(column="gdp_per_cap")如果我们想要在地图上展示缺失值的地区，可以通过missing_kwds设置相应的参数。如下所示：
# 将缺失值地区颜色设置为lightgreyworld.plot(column="gdp_per_cap", missing_kwds={"color": "lightgrey"})# 更复杂的例子，hatch表示内部图像样式ax = world.plot(column="gdp_per_cap", missing_kwds={"color": "lightgrey","edgecolor":"red","hatch": "///","label": "Missing values"})# 不显示坐标轴ax.set_axis_off();图层设置
当我们需要叠加多张地图或多个数据的结果，则需要用到地图的图层。GeoPandas提供了两种方式进行图层设置，但是要注意的是在合并地图之前，始终确保它们共享一个共同的坐标参考系crs。如将world地图和cities地图合并绘制。
# 以world数据集为准，对齐crscities.plot(marker="*", color="green", markersize=5)cities = cities.to_crs(world.crs)第一种方式最为简单，直接通过ax参数控制绘图轴来实现图层叠加。
# base为绘图轴base = world.plot(color="white", edgecolor="black")cities.plot(ax=base, marker="o", color="red", markersize=5);第二种方式最为灵活，即通过matplotlib控制绘图。如果想要绘制更加美观的地图，这种方式更加推荐，但是需要了解matplotlib的使用。
import matplotlib.pyplot as plt# 设置绘图轴fig, ax = plt.subplots()ax.set_aspect("equal")world.plot(ax=ax, color="white", edgecolor="black")cities.plot(ax=ax, marker="o", color="red", markersize=5)plt.show()图层顺序控制
如果我们需要控制地图图层的展示顺序，即哪张图片显示在前。一种办法是通过绘图顺序设置，后绘制的数据的图层顺序越靠上。一种是通过zorder参数设置图层顺序，zorder值越大，表示图层顺序越靠上。如下所示：
# cities先绘制，则图层顺序更靠下，导致一些数据点被world图层遮盖。ax = cities.plot(color="k")world.plot(ax=ax);# 调整绘图顺序，完整显示cities数据点ax = world.plot()cities.plot(ax=ax,color="k")# 通过zorder参数设置图层顺序，完整显示cities数据点ax = cities.plot(color="k",zorder=2)world.plot(ax=ax,zorder=1)Pandas Plots
GeoPandas的Plot函数还允许设置kind参数绘制不同类型的图形，kind默认为geo（地图），其他可选参数与pandas默认提供的绘图函数一致。pandas默认提供的绘图函数见：Chart visualization。
gdf = world.head(10)gdf.plot(kind="scatter", x="pop_est", y="gdp_md_est")该实例主要参考：
基于geopandas的空间数据分析之基础可视化geopandas 中国地图绘制1 读取地图数据
import geopandas as gpdimport matplotlib.pyplot as plt# 读取中国地图数据，数据来自DataV.GeoAtlas，将其投影到EPSG:4573data = gpd.read_file("https://geo.datav.aliyun.com/areas_v3/bound/100000_full.json").to_crs("EPSG:4573")# 中国有34个省级行政区，最后一条数据为南海九段线data.shape(35, 8)# 保存各个省级行政区的面积，单位万平方公里data["area"] = data.area/1e6/1e4# 中国疆域总面积，和官方数据会有差距data["area"].sum()989.1500769770855# 查看最后五条数据data.tail()| adcode | name | adchar | childrenNum | level | parent | subFeatureIndex | geometry | area | |
|---|---|---|---|---|---|---|---|---|---|
| 30 | 650000 | 新疆维吾尔自治区 | NaN | 24.0 | province | {"adcode": 100000} | 30.0 | MULTIPOLYGON (((17794320.693 4768675.631, 1779... | 175.796459 |
| 31 | 710000 | 台湾省 | NaN | 0.0 | province | {"adcode": 100000} | 31.0 | MULTIPOLYGON (((20103629.026 2566628.808, 2011... | 4.090259 |
| 32 | 810000 | 香港特别行政区 | NaN | 18.0 | province | {"adcode": 100000} | 32.0 | MULTIPOLYGON (((19432072.340 2517924.724, 1942... | 0.125928 |
| 33 | 820000 | 澳门特别行政区 | NaN | 8.0 | province | {"adcode": 100000} | 33.0 | MULTIPOLYGON (((19385068.278 2470740.132, 1939... | 0.004702 |
| 34 | 100000_JD | JD | NaN | NaN | NaN | NaN | MULTIPOLYGON (((20309263.208 2708129.155, 2032... | 0.280824 |
# 拆分数据nine_dotted_line = data.iloc[-1]data = data[:-1]nine_dotted_lineadcode 100000_JDname adchar JDchildrenNum NaNlevel NaNparent NaNsubFeatureIndex NaNgeometry MULTIPOLYGON (((20309263.208229765 2708129.154...area 0.280824Name: 34, dtype: object2 地图绘制
# 创建画布matplotlibfig, ax = plt.subplots(figsize=(12, 9))# 绘制主要区域ax = data.plot(ax=ax)# 绘制九段线ax = gpd.GeoSeries(nine_dotted_line.geometry).plot(ax=ax,edgecolor="red",linewidth=3)# 保存结果fig.savefig("res.png", dpi=300, bbox_inches="tight")3 绘图自定义
# 创建画布matplotlibfig, ax = plt.subplots(figsize=(12, 9))# 绘制主要区域ax = data.plot(ax=ax,facecolor="grey",edgecolor="lightgrey",alpha=0.8,linewidth=1)# 绘制九段线ax = gpd.GeoSeries(nine_dotted_line.geometry).plot(ax=ax,edgecolor="grey",linewidth=3)# 强调首都ax = data[data.name=="北京市"].representative_point().plot(ax=ax, facecolor="red",marker="*", markersize=150) # 强调港澳台# 设置字体fontdict = {"family":"FZSongYi-Z13S", "size":8, "color": "blue","weight": "bold"}for index in data[data.adcode.isin(["710000","810000","820000"])].index: if data.iloc[index]["name"] == "台湾省": x = data.iloc[index].geometry.centroid.x y = data.iloc[index].geometry.centroid.y name = "台湾省" ax.text(x, y, name, ha="center", va="center", fontdict=fontdict) elif data.iloc[index]["name"] == "香港特别行政区": x = data.iloc[index].geometry.centroid.x y = data.iloc[index].geometry.centroid.y name = "香港" ax.text(x, y, name, ha="left", va="top", fontdict=fontdict) gpd.GeoSeries(data.iloc[index].geometry.centroid).plot(ax=ax, facecolor="black", markersize=5) elif data.iloc[index]["name"] == "澳门特别行政区": x = data.iloc[index].geometry.centroid.x y = data.iloc[index].geometry.centroid.y name = "澳门" ax.text(x, y, name, ha="right", va="top", fontdict=fontdict) gpd.GeoSeries(data.iloc[index].geometry.centroid).plot(ax=ax, facecolor="black", markersize=5)# 移除坐标轴ax.axis("off")(15508157.566510478, 20969512.421140186, 92287.20109282521, 6384866.68627745)4 图例设置
这里采用单独绘制图例的方式来创建图例，需要对matplotlib使用有一定的了解。
# 创建画布matplotlibfig, ax = plt.subplots(figsize=(12, 9))# 绘制主要区域ax = data.plot(ax=ax,facecolor="grey",edgecolor="lightgrey",alpha=0.8,linewidth=1)# 绘制九段线ax = gpd.GeoSeries(nine_dotted_line.geometry).plot(ax=ax,edgecolor="grey",linewidth=3)# 强调首都ax = data[data.name=="北京市"].representative_point().plot(ax=ax, facecolor="red",marker="*", markersize=150) # 强调港澳台# 设置字体fontdict = {"family":"FZSongYi-Z13S", "size":8, "color": "blue","weight": "bold"}# 这一段代码可能因为不同matplotlib版本出现不同结果for index in data[data.adcode.isin(["710000","810000","820000"])].index: if data.iloc[index]["name"] == "台湾省": x = data.iloc[index].geometry.centroid.x y = data.iloc[index].geometry.centroid.y name = "台湾省" ax.text(x, y, name, ha="center", va="center", fontdict=fontdict) elif data.iloc[index]["name"] == "香港特别行政区": x = data.iloc[index].geometry.centroid.x y = data.iloc[index].geometry.centroid.y name = "香港" ax.text(x, y, name, ha="left", va="top", fontdict=fontdict) gpd.GeoSeries(data.iloc[index].geometry.centroid).plot(ax=ax, facecolor="black", markersize=5) elif data.iloc[index]["name"] == "澳门特别行政区": x = data.iloc[index].geometry.centroid.x y = data.iloc[index].geometry.centroid.y name = "澳门" ax.text(x, y, name, ha="right", va="top", fontdict=fontdict) gpd.GeoSeries(data.iloc[index].geometry.centroid).plot(ax=ax, facecolor="black", markersize=5)# 移除坐标轴ax.axis("off")# 单独绘制图例plt.rcParams["font.family"] = "FZSongYi-Z13S"ax.scatter([], [], c="red", s=80, marker="*", label="首都")ax.plot([], [], c="grey",linewidth=3, label="南海九段线") # 设置图例顺序handles, labels = ax.get_legend_handles_labels()ax.legend(handles[::-1], labels[::-1], title="图例",frameon=True, shadow=True, loc="lower left",fontsize=10)# ax.legend(title="图例",frameon=True, shadow=True, loc="lower left",fontsize=10)5 小地图绘制
在很多中国地图中，南海诸岛区域都是在右下角的小地图单独绘制。在GeoPandas中想要实现这一功能，可以通过matplotlib的add_axes函数实现。add_axes主要功能为为新增绘图子区域，该区域可以位于画布中任意区域，且可设置任意大小。add_axes输入参数为(left, bottom, width, height)，left, bottom表示相对画布的比例坐标，width和height表示相对画布的比例长宽。
这种绘图方式非常不专业，也不推荐，建议只是学习使用思路。具体使用看如下代码。
# 创建画布fig = plt.figure(figsize=(6,3))# 创建一个填充整个画布的子图ax = fig.add_axes((0,0,1,1))# 从画布宽40%，高40%处绘制子图 ax_child = fig.add_axes((0.4,0.4,0.2,0.2))具体添加小地图首先确定中国大陆区域范围和南海范围，然后分开绘制。
from shapely.geometry import Point# 设中国大陆区域范围和南海范围，估计得到bound = gpd.GeoDataFrame({ "x": [80, 140, 106.5, 123], "y": [15, 50, 2.8, 24.5]})bound.geometry = bound.apply(lambda row: Point([row["x"], row["y"]]), axis=1)# 初始化CRSbound.crs = "EPSG:4326"bound = bound.to_crs("EPSG:4573")bound| x | y | geometry | |
|---|---|---|---|
| 0 | 80.0 | 15.0 | POINT (15734050.166 1822879.627) |
| 1 | 140.0 | 50.0 | POINT (20972709.719 6154280.305) |
| 2 | 106.5 | 2.8 | POINT (18666803.134 309722.667) |
| 3 | 123.0 | 24.5 | POINT (20344370.888 2833592.614) |
# 创建画布matplotlibfig, ax = plt.subplots(figsize=(12, 9))# 绘制主要区域ax = data.plot(ax=ax,facecolor="grey",edgecolor="lightgrey",alpha=0.8,linewidth=1)# 绘制九段线ax = gpd.GeoSeries(nine_dotted_line.geometry).plot(ax=ax,edgecolor="grey",linewidth=3)# 强调首都ax = data[data.name=="北京市"].representative_point().plot(ax=ax, facecolor="red",marker="*", markersize=150) # 强调港澳台# 设置字体fontdict = {"family":"FZSongYi-Z13S", "size":8, "color": "blue","weight": "bold"}# 这一段代码可能因为不同matplotlib版本出现不同结果for index in data[data.adcode.isin(["710000","810000","820000"])].index: if data.iloc[index]["name"] == "台湾省": x = data.iloc[index].geometry.centroid.x y = data.iloc[index].geometry.centroid.y name = "台湾省" ax.text(x, y, name, ha="center", va="center", fontdict=fontdict) elif data.iloc[index]["name"] == "香港特别行政区": x = data.iloc[index].geometry.centroid.x y = data.iloc[index].geometry.centroid.y name = "香港" ax.text(x, y, name, ha="left", va="top", fontdict=fontdict) gpd.GeoSeries(data.iloc[index].geometry.centroid).plot(ax=ax, facecolor="black", markersize=5) elif data.iloc[index]["name"] == "澳门特别行政区": x = data.iloc[index].geometry.centroid.x y = data.iloc[index].geometry.centroid.y name = "澳门" ax.text(x, y, name, ha="right", va="top", fontdict=fontdict) gpd.GeoSeries(data.iloc[index].geometry.centroid).plot(ax=ax, facecolor="black", markersize=5)# 设置大陆区域范围ax.set_xlim(bound.geometry[0].x, bound.geometry[1].x)ax.set_ylim(bound.geometry[0].y, bound.geometry[1].y)# 移除坐标轴ax.axis("off")# 单独绘制图例plt.rcParams["font.family"] = "FZSongYi-Z13S"ax.scatter([], [], c="red", s=80, marker="*", label="首都")ax.plot([], [], c="grey",linewidth=3, label="南海九段线") # 设置图例顺序handles, labels = ax.get_legend_handles_labels()ax.legend(handles[::-1], labels[::-1], title="图例",frameon=True, shadow=True, loc="lower left",fontsize=10)# ax.legend(title="图例",frameon=True, shadow=True, loc="lower left",fontsize=10)# 创建南海插图对应的子图，调整这些参数以调整地图位置ax_child = fig.add_axes([0.75, 0.15, 0.2, 0.2])ax_child = data.plot(ax=ax_child,facecolor="grey",edgecolor="lightgrey",alpha=0.8,linewidth=1)# 绘制九段线ax_child = gpd.GeoSeries(nine_dotted_line.geometry).plot(ax=ax_child,edgecolor="grey",linewidth=3)# 设置子图显示范围ax_child.set_xlim(bound.geometry[2].x, bound.geometry[3].x)ax_child.set_ylim(bound.geometry[2].y, bound.geometry[3].y)ax_child.text(0.98,0.02,"Produced by luohenyueji",transform = ax.transAxes, ha="center", va="center",fontsize = 12,color="black")# 移除子图坐标轴ax_child.set_xticks([])ax_child.set_yticks([])fig.savefig("res.png", dpi=300, bbox_inches="tight")如下代码所示，绘制江苏省地级市GDP地图。
# 读取2019江苏省各市GDP数据import geopandas as gpdimport matplotlib.pyplot as pltimport pandas as pdplt.rcParams["font.family"] = "FZSongYi-Z13S"# 数据来自互联网gdp = pd.read_csv("2022江苏省各市GDP.csv")gdp| 排行 | 地级市 | 2022年GDP（亿元） | |
|---|---|---|---|
| 0 | 1 | 苏州市 | 23958.3 |
| 1 | 2 | 南京市 | 16907.9 |
| 2 | 3 | 无锡市 | 14850.8 |
| 3 | 4 | 南通市 | 11379.6 |
| 4 | 5 | 常州市 | 9550.1 |
| 5 | 6 | 徐州市 | 8457.8 |
| 6 | 7 | 盐城市 | 7079.8 |
| 7 | 8 | 扬州市 | 6696.4 |
| 8 | 9 | 泰州市 | 6401.8 |
| 9 | 10 | 镇江市 | 5017.0 |
| 10 | 11 | 淮安市 | 4742.4 |
| 11 | 12 | 宿迁市 | 4112.0 |
| 12 | 13 | 连云港市 | 4005.0 |
# 读取江苏地图数据，数据来自DataV.GeoAtlas，将其投影到EPSG:4573data = gpd.read_file("https://geo.datav.aliyun.com/areas_v3/bound/320000_full.json").to_crs("EPSG:4573")# 合并数据data = data.join(gdp.set_index("地级市")["2022年GDP（亿元）"],on="name")# 修改列名data.rename(columns={"2022年GDP（亿元）":"GDP"},inplace=True)data.head()| adcode | name | childrenNum | level | parent | subFeatureIndex | geometry | GDP | |
|---|---|---|---|---|---|---|---|---|
| 0 | 320100 | 南京市 | 11 | city | {"adcode": 320000} | 0 | MULTIPOLYGON (((19828216.260 3681802.361, 1982... | 16907.9 |
| 1 | 320200 | 无锡市 | 7 | city | {"adcode": 320000} | 1 | MULTIPOLYGON (((19892555.472 3541293.638, 1989... | 14850.8 |
| 2 | 320300 | 徐州市 | 10 | city | {"adcode": 320000} | 2 | MULTIPOLYGON (((19736418.457 3894748.096, 1973... | 8457.8 |
| 3 | 320400 | 常州市 | 6 | city | {"adcode": 320000} | 3 | MULTIPOLYGON (((19927182.917 3638819.801, 1992... | 9550.1 |
| 4 | 320500 | 苏州市 | 9 | city | {"adcode": 320000} | 4 | MULTIPOLYGON (((19929872.531 3547724.116, 1993... | 23958.3 |
fig, ax = plt.subplots(figsize=(9, 9))# legend_kwds设置matplotlib的legend参数data.plot(ax=ax,column="GDP", cmap="coolwarm", legend=True,legend_kwds={"label": "GDP（亿元）", "shrink":0.5})ax.axis("off")# 设置fontdict = {"family":"FZSongYi-Z13S", "size":8, "color": "black","weight": "bold"}# 设置标题ax.set_title("江苏省地级市2022年GDP数据可视化", fontsize=24) for index in data.index: x = data.iloc[index].geometry.centroid.x y = data.iloc[index].geometry.centroid.y name = data.iloc[index]["name"] if name in ["苏州市","无锡市"]: x = x*1.001 ax.text(x, y, name, ha="center", va="center", fontdict=fontdict)# 保存图片fig.savefig("res.png", dpi=300, bbox_inches="tight")可以看到在上述地图中，由于苏州市的数值太大，其他数据被压缩到浅色区域，无法有效展示数据分布。需要使用地图分层设色来更好地展示数据。地图分层设色是一种常见的地图可视化方式，它可以将地图上的数据按照不同的分类进行分层，并对每一层数据进行不同的颜色设定，以便更加直观地展现地理空间数据的分布情况和特征。在本文通过Python模块mapclassify用于分层设色和数据可视化。使用mapclassify之前需要输入以下命令安装相关模块：
pip install mapclassify
mapclassify官方仓库见：mapclassify。mapclassify提供了多种分组方法，可以帮助我们更好地理解数据的分布情况，mapclassify提供的方法包括：
BoxPlot: 基于箱线图的分类方法。这种分类方法适用于数据分布比较规律的情况。EqualInterval: 等距离分类方法。这种分类方法将数据划分为等距离的若干区间。适用于数据分布比较均匀的情况。FisherJenks: 基于Fisher-Jenks算法的分类方法。这种分类方法将数据划分为若干区间，使得每个区间内部的差异最小，不同区间之间的差异最大。适用于数据分布比较不规律的情况。HeadTailBreaks: 基于Head-Tail算法的分类方法。这种分类方法将给定的数据集分为两部分：头部和尾部。头部通常包含出现频率最高的值，而尾部包含出现频率较低的值。适用于识别数据集中的异常值和离群值。JenksCaspall: 基于Jenks-Caspall算法的分类方法。这种分类方法根据数据中发现的自然分组将数据集划分为类。适用于需要将数据分类为几个具有明显含义的区间的情况。JenksCaspallForced: 强制基于Jenks-Caspall算法的分类方法。与JenksCaspall算法类似，但是它对区间的数量和大小有更强的控制力。适用于需要精确控制区间数量和大小的情况。JenksCaspallSampled: 采样基于Jenks-Caspall算法的分类方法。该方法对数据进行采样，然后使用Jenks-Caspall算法对采样后的数据进行分类，适用于数据量比较大的情况。MaxP: 基于最大界限的分类方法。这种分类方法将数据划分为几个区间，使得不同区间之间的差异最大。适用于需要将数据分类为几个具有明显差异的区间的情况。MaximumBreaks: 基于最大间隔的分类方法。这种分类方法与MaxP算法类似，但是它更加注重区间的可理解性。适用于需要将数据分类为几个具有明显含义的区间的情况。NaturalBreaks: 基于自然间隔的分类方法。这种分类方法将数据划分为几个区间，使得每个区间内部的差异最小，不同区间之间的差异最大。适用于数据分布比较不规律的情况Quantiles: 基于分位数的分类方法。Percentiles: 基于百分位数的分类方法。StdMean: 基于标准差分组的分类方法。UserDefined: 基于自定义分组的分类方法。关于以上常用方法的具体介绍可以看看基于geopandas的空间数据分析——深入浅出分层设色。mapclassify对数据进行分类简单使用方法如下：
示例1
import mapclassify# 导入示例数据y = mapclassify.load_example()print(type(y))print(y.mean(),y.min(), y.max())y.head()125.92810344827588 0.13 4111.450 329.921 0.422 5.903 14.034 2.78Name: emp/sq km, dtype: float64 mapclassify.EqualInterval(y)EqualInterval Interval Count--------------------------[ 0.13, 822.39] | 57( 822.39, 1644.66] | 0(1644.66, 2466.92] | 0(2466.92, 3289.19] | 0(3289.19, 4111.45] | 1示例2
y = [1,2,3,4,5,6,7,8,9,0]# 分为四个区间mapclassify.JenksCaspall(y, k=4)JenksCaspall Interval Count--------------------[0.00, 2.00] | 3(2.00, 4.00] | 2(4.00, 6.00] | 2(6.00, 9.00] | 3示例3
y = [1,2,3,4,5,6,7,8,9,0]# 自定义区间mapclassify.UserDefined(y, bins=[5, 8, 9])UserDefined Interval Count--------------------[0.00, 5.00] | 6(5.00, 8.00] | 3(8.00, 9.00] | 1示例4
import mapclassify import pandasfrom numpy import linspace as lspdemo = [lsp(3,8,num=10), lsp(10, 0, num=10), lsp(-5, 15, num=10)]demo = pandas.DataFrame(demo).Tdemo.head()| 0 | 1 | 2 | |
|---|---|---|---|
| 0 | 3.000000 | 10.000000 | -5.000000 |
| 1 | 3.555556 | 8.888889 | -2.777778 |
| 2 | 4.111111 | 7.777778 | -0.555556 |
| 3 | 4.666667 | 6.666667 | 1.666667 |
| 4 | 5.222222 | 5.555556 | 3.888889 |
# 使用apply函数应用分层，rolling表示是否进行滑动窗口计算以消除随机波动demo.apply(mapclassify.Quantiles.make(rolling=True)).head()| 0 | 1 | 2 | |
|---|---|---|---|
| 0 | 0 | 4 | 0 |
| 1 | 0 | 4 | 0 |
| 2 | 1 | 4 | 0 |
| 3 | 1 | 3 | 0 |
| 4 | 2 | 2 | 1 |
方法1
GeoPandas中分层设色可以通过plot函数中的scheme参数和k参数设置数据分层方式和分层类别数。如下所示，通过JenksCaspall将GDP数据分为4级，可以直观看到GDP数据在第一梯队的城市有哪些。
fig, ax = plt.subplots(figsize=(9, 9))# 使用分层设色后,legend_kwds要进行相应修改data.plot(ax=ax,column="GDP", cmap="coolwarm", legend=True,scheme="JenksCaspall",k=4,legend_kwds={ "loc": "lower left", "title": "GDP数据分级（亿元）", })ax.axis("off")# 设置fontdict = {"family":"FZSongYi-Z13S", "size":8, "color": "black","weight": "bold"}# 设置标题ax.set_title("江苏省地级市2022年GDP数据可视化", fontsize=24) for index in data.index: x = data.iloc[index].geometry.centroid.x y = data.iloc[index].geometry.centroid.y name = data.iloc[index]["name"] if name in ["苏州市","无锡市"]: x = x*1.001 ax.text(x, y, name, ha="center", va="center", fontdict=fontdict)# 保存图片fig.savefig("res.png", dpi=300, bbox_inches="tight")方法2
在GeoPandas中也可以通过mapclassify直接处理数据，生成新的数据列进行展示。通过该种方式可以看到，苏州和南京的GDP领先于其他地级市。
# 创建分类器classifier = mapclassify.HeadTailBreaks(data["GDP"])classifierHeadTailBreaks Interval Count----------------------------[ 4005.00, 9473.76] | 8( 9473.76, 15329.34] | 3(15329.34, 20433.10] | 1(20433.10, 23958.30] | 1# 赋值数据data["GDP_class"] = data["GDP"].apply(classifier)data["GDP_class"] = data["GDP_class"].apply(lambda x : int(x))data.head()| adcode | name | childrenNum | level | parent | subFeatureIndex | geometry | GDP | GDP_class | |
|---|---|---|---|---|---|---|---|---|---|
| 0 | 320100 | 南京市 | 11 | city | {"adcode": 320000} | 0 | MULTIPOLYGON (((19828216.260 3681802.361, 1982... | 16907.9 | 2 |
| 1 | 320200 | 无锡市 | 7 | city | {"adcode": 320000} | 1 | MULTIPOLYGON (((19892555.472 3541293.638, 1989... | 14850.8 | 1 |
| 2 | 320300 | 徐州市 | 10 | city | {"adcode": 320000} | 2 | MULTIPOLYGON (((19736418.457 3894748.096, 1973... | 8457.8 | 0 |
| 3 | 320400 | 常州市 | 6 | city | {"adcode": 320000} | 3 | MULTIPOLYGON (((19927182.917 3638819.801, 1992... | 9550.1 | 1 |
| 4 | 320500 | 苏州市 | 9 | city | {"adcode": 320000} | 4 | MULTIPOLYGON (((19929872.531 3547724.116, 1993... | 23958.3 | 3 |
import matplotlib.colors as colorsfig, ax = plt.subplots(figsize=(9, 9))# 设置分层颜色条cmap = plt.cm.get_cmap("coolwarm", len(set(data["GDP_class"])))# vmax和vmin设置是为了让等级值居中data.plot(ax=ax,column="GDP_class", cmap=cmap, legend=False,vmin=-0.5,vmax=3.5)ax.axis("off")# 设置Colorbar的刻度cbar = ax.get_figure().colorbar(ax.collections[0],shrink=0.5)cbar.set_ticks([0,1,2,3])cbar.set_label("GDP数据分级")cbar.set_ticklabels(["等级0","等级1","等级2","等级3"])# 隐藏刻度线ticks = cbar.ax.get_yaxis().get_major_ticks()for tick in ticks: tick.tick1line.set_visible(False) tick.tick2line.set_visible(False)# 设置fontdict = {"family":"FZSongYi-Z13S", "size":8, "color": "black","weight": "bold"}# 设置标题ax.set_title("江苏省地级市2022年GDP数据可视化", fontsize=24) for index in data.index: x = data.iloc[index].geometry.centroid.x y = data.iloc[index].geometry.centroid.y name = data.iloc[index]["name"] if name in ["苏州市","无锡市"]: x = x*1.001 ax.text(x, y, name, ha="center", va="center", fontdict=fontdict)# 保存图片fig.savefig("res.png", dpi=300, bbox_inches="tight")方法3
分层设色不仅可以设置各区域的颜色，也可以设置各区域的填充图案
# 创建分类器classifier = mapclassify.MaximumBreaks(data["GDP"], k=3)classifierMaximumBreaks Interval Count----------------------------[ 4005.00, 13115.20] | 10(13115.20, 20433.10] | 2(20433.10, 23958.30] | 1# 赋值数据data["GDP_class"] = data["GDP"].apply(classifier)data["GDP_class"] = data["GDP_class"].apply(lambda x : int(x))data.head()| adcode | name | childrenNum | level | parent | subFeatureIndex | geometry | GDP | GDP_class | |
|---|---|---|---|---|---|---|---|---|---|
| 0 | 320100 | 南京市 | 11 | city | {"adcode": 320000} | 0 | MULTIPOLYGON (((19828216.260 3681802.361, 1982... | 16907.9 | 1 |
| 1 | 320200 | 无锡市 | 7 | city | {"adcode": 320000} | 1 | MULTIPOLYGON (((19892555.472 3541293.638, 1989... | 14850.8 | 1 |
| 2 | 320300 | 徐州市 | 10 | city | {"adcode": 320000} | 2 | MULTIPOLYGON (((19736418.457 3894748.096, 1973... | 8457.8 | 0 |
| 3 | 320400 | 常州市 | 6 | city | {"adcode": 320000} | 3 | MULTIPOLYGON (((19927182.917 3638819.801, 1992... | 9550.1 | 0 |
| 4 | 320500 | 苏州市 | 9 | city | {"adcode": 320000} | 4 | MULTIPOLYGON (((19929872.531 3547724.116, 1993... | 23958.3 | 2 |
import matplotlib.patches as mpatches# 设置图案列表patterns = ["///", "", "*", "\\\\",".", "o", "O",]cmap = plt.cm.get_cmap("coolwarm", len(set(data["GDP_class"])))color_list = cmap([0,1,2])fig, ax = plt.subplots(figsize=(9, 9))# 自定义图示legend_list = []# 按层次设置legendfor i in set(data["GDP_class"]): tmp = data[data["GDP_class"]==i] tmp.plot(ax=ax,column="GDP_class", legend=False,hatch=patterns[i],edgecolor="black",color=color_list[i], linestyle="-",linewidth=2) legend_list.append( mpatches.Patch(facecolor=color_list[i], edgecolor="black",linestyle="-", linewidth=2,hatch=patterns[i], label="等级{}".format(i)) )ax.axis("off")# 设置标题ax.set_title("江苏省地级市2022年GDP数据可视化", fontsize=24) # 自定义图示ax.legend(handles = legend_list, loc="best", fontsize=12, title="GDP数据分级", shadow=True)# 保存图片fig.savefig("res.png", dpi=300, bbox_inches="tight")