用python如何画出好看的地图

最近正好在学空间数据处理，这次更一下用python如何画出好看的地图

下面主要是用

• folium

• poltly

• geopandas+matplotlib

三种方式绘制地图

1.folium

import folium
import pandas as pd
#输入上海经纬度，尺度
latitude = 31.2
longitude = 121.5
sh_map = folium.Map(location=[latitude, longitude], zoom_start=10)
sh_map

默认为’OpenStreetMap’风格，我们还可以选择’Stamen Terrain’, 'Stamen Toner’等

sh_map = folium.Map(location=[latitude, longitude], zoom_start=10,tiles='Stamen Toner')
sh_map

有了底图把带有经纬度的数据点映射上去，这里用上次上海poi中的火锅数据

把火锅店数据放到地图上

# 创建特征组
hotpots = folium.map.FeatureGroup()
# Loop through the 200 crimes and add each to the incidents feature group
for lat, lng, in zip(data.lat, data.lon):
    hotpots.add_child(
        folium.CircleMarker(
            [lat, lng],
            radius=7, # define how big you want the circle markers to be
            color='yellow',
            fill=True,
            fill_color='red',
            fill_opacity=0.4
        )
    )

# 把火锅特征组放到上海地图上
sh_map =folium.Map(location=[latitude, longitude], zoom_start=10)
sh_map.add_child(hotpots)

点太多看不出什么，我们下面只放嘉定区的数据

我们可以继续添加火锅店名字信息并标注在上图

latitudes = list(datas.lat)
longitudes = list(datas.lon)
labels = list(datas.name)
for lat, lng, label in zip(latitudes, longitudes, labels):
    folium.Marker([lat, lng], popup=label).add_to(sh_map)      
sh_map

最后我们需要绘制每个区的火锅数量的Choropleth Map，不同颜色代表火锅数量
首先读取上海行政区geojson文件

统计各个区火锅数量

hots=data.groupby('adname',as_index=False).agg({'name':"count"})
hots.columns=['district','num']
hots

开始绘制Choropleth Map， 下面key_on='feature.properties.name’是因为我们这里下载的上海geojson中name对应于行政区，这个根据具体数据而定

#输入上海经纬度，尺度
latitude = 31.2
longitude = 121.5
map = folium.Map(location=[latitude, longitude], zoom_start=12)
folium.Choropleth(
    geo_data=geo_data,
    data=hots,
    columns=['district','num'],
    key_on='feature.properties.name',
    #fill_color='red',
    fill_color='YlOrRd',
    fill_opacity=0.7,
    line_opacity=0.2,
    highlight=True,
    legend_name='Hotpot Counts in Shanghai'
).add_to(map)
map

浦东新区一马当先，嘉定区榜上有名

2.poltly

用poltly画Choropleth Map跟folium很类似，这里直接继续用前面处理好的数据

import plotly.express as px
import plotly.graph_objs as go
latitude = 31.2
longitude = 121.5
fig = px.choropleth_mapbox(
    data_frame=hots,
    geojson=geo_data,
    color='num',
    locations="district",
    featureidkey="properties.name",
    mapbox_style="carto-positron",
    color_continuous_scale='viridis',
    center={"lat": latitude, "lon": longitude},
    zoom=7.5,
)
fig.update_layout(margin={"r":0,"t":0,"l":0,"b":0})
fig.show()

设置mapbox_style="carto-darkmatter"换一种风格

3.geopandas+matplotlib

先利用geopandas绘制出各行政区轮廓

import matplotlib.pyplot as plt
import matplotlib as mpl
# 中文和负号的正常显示
mpl.rcParams['font.sans-serif'] = ['Times New Roman']
mpl.rcParams['font.sans-serif'] = [u'SimHei']
mpl.rcParams['axes.unicode_minus'] = False
# 裁剪上海shape
fig, ax = plt.subplots(figsize=(20, 10))
ax=geo_data.plot(ax=ax,facecolor='grey',edgecolor='white',linestyle='--',alpha=0.8)
ax.axis('off') # 移除座标轴

将统计的各个区的火锅店数量与geo_data合并

need_data=pd.merge(geo_data,hots[['district','num']],left_on='name',
                 right_on='district')
need_data

此时数据已经是dataframe，不是需要的geodataframe了，所以需要继续转换一下

need_data = gpd.GeoDataFrame(need_data)
need_data.geom_type

可以看到这个时候need_data已经是geodataframe类型了

fig, ax = plt.subplots(figsize=(20, 10))
need_data.plot('num', cmap='OrRd',ax=ax)
ax.axis('off') # 移除座标轴
cmap = mpl.cm.get_cmap('OrRd')
norm = mpl.colors.Normalize(min(need_data['num']), max(need_data['num']))
fcb = fig.colorbar(mpl.cm.ScalarMappable(norm=norm, cmap=cmap),ax=ax)
ax=geo_data.plot(ax=ax,facecolor='grey',edgecolor='white',linestyle='--',alpha=0.2)
ax.set_title('Hotpot Count in Shanghai', fontsize=20)

不熟悉上海的人是看不出来各个区的，这里可以继续加行政区标注

fig, ax = plt.subplots(figsize=(20, 10))
need_data.plot('num', cmap='OrRd',ax=ax)
for idx, _ in enumerate(need_data.geometry.representative_point()):
    # 提取行政区名称
    region = need_data.loc[idx, 'name']
    ax.text(_.x, _.y, region, ha="center", va="center", size=8)
ax.axis('off') # 移除座标轴
cmap = mpl.cm.get_cmap('OrRd')
norm = mpl.colors.Normalize(min(need_data['num']), max(need_data['num']))
fcb = fig.colorbar(mpl.cm.ScalarMappable(norm=norm, cmap=cmap),ax=ax)
ax=geo_data.plot(ax=ax,facecolor='grey',edgecolor='white',linestyle='--',alpha=0.2)
ax.set_title('Hotpot Count in Shanghai', fontsize=20)

本文的notebook及数据可公众号后台回复地图获得