如何在 python 中使用 uber h3 将 shapefile/geojson 转换为六边形？

Question

我想在我的地理地图上创建六边形，并且还想保留 shapefile/geojson 指定的数字边界。 如何使用 uber 的 h3 python 库做到这一点？

我是 shapefile 或任何其他地理数据结构的新手。我最喜欢 python。

Answer 1

h3-py 不知道如何直接使用 shapefile 数据，但听起来您可以使用类似 https://github.com/GeospatialPython/pyshp 的库将 shapefile 数据转换为 GeoJSON，然后使用 h3.polyfill() 转换为集合H3 六边形。

有很多选项可用于绘制边界以及 H3 六边形。例如，您可以使用pydeck 及其GeoJsonLayer 和H3HexagonLayer 层。

如果您的绘图软件不能直接使用 H3 六边形，您可以通过 h3.h3_to_geo_boundary() 或 h3.h3_set_to_multi_polygon() 等函数将其转换为其他格式。

Answer 2

tl;博士

为方便起见，您可以使用H3-Pandas。

import geopandas as gpd
import h3pandas

# Prepare data
gdf = gpd.read_file(gpd.datasets.get_path('naturalearth_lowres'))
gdf = gdf.loc[gdf['continent'].eq('Africa')]
gdf['gdp_md_per_capita'] = gdf['gdp_md_est'].div(gdf['pop_est'])
resolution = 4

# Resample to H3 cells
gdf.h3.polyfill_resample(resolution)

完整说明

像这样的用例正是我写 H3-Pandas 的原因，它是 H3 与 Pandas 和 GeoPandas 的集成。

让我们使用GeoPandas中包含的naturalearth_lowres数据集来演示用法。

import geopandas as gpd
import h3pandas

path_shapefile = gpd.datasets.get_path('naturalearth_lowres')
gdf = gpd.read_file(path_shapefile)

让我们也创建一个用于绘图的数字列。

gdf = gdf.loc[gdf['continent'].eq('Africa')]
gdf['gdp_md_per_capita'] = gdf['gdp_md_est'].div(gdf['pop_est'])

ax = gdf.plot(figsize=(15, 15), column='gdp_md_per_capita', cmap='RdBu')
ax.axis('off')

我们将使用 H3 分辨率 4。有关详细信息，请参阅H3 resolution table。

resolution = 4  

我们可以使用函数polyfill 添加 H3 六边形。该方法添加了一个 H3 单元的列表，其质心落入每个多边形中。

gdf_h3 = gdf.h3.polyfill(resolution)
print(gdf_h3['h3_polyfill'].head(3))

1     [846aca7ffffffff, 8496b5dffffffff, 847b691ffff...
2     [84551a9ffffffff, 84551cdffffffff, 8455239ffff...
11    [846af51ffffffff, 8496e63ffffffff, 846a803ffff...
Name: h3_polyfill, dtype: object

如果我们想水平分解值（最终得到与 H3 单元格一样多的行），我们可以使用参数explode

gdf_h3 = gdf.h3.polyfill(resolution, explode=True)
print(gdf_h3.head(3))

    pop_est continent      name iso_a3  gdp_md_est  \
1  53950935    Africa  Tanzania    TZA    150600.0   
1  53950935    Africa  Tanzania    TZA    150600.0   
1  53950935    Africa  Tanzania    TZA    150600.0   

                                            geometry  gdp_md_per_capita  \
1  POLYGON ((33.90371 -0.95000, 34.07262 -1.05982...           0.002791   
1  POLYGON ((33.90371 -0.95000, 34.07262 -1.05982...           0.002791   
1  POLYGON ((33.90371 -0.95000, 34.07262 -1.05982...           0.002791   

       h3_polyfill  
1  846aca7ffffffff  
1  8496b5dffffffff  
1  847b691ffffffff  

然后我们可以使用方法h3_to_geo_boundary 来获得H3 细胞的几何形状。它预计索引已经具有 H3 单元格 ID。

gdf_h3 = gdf_h3.set_index('h3_polyfill').h3.h3_to_geo_boundary()

我们现在可以绘制结果了

ax = gdf_h3.plot(figsize=(15, 15), column='gdp_md_per_capita', cmap='RdBu')
ax.axis('off')

H3-Pandas 实际上有一个方便的功能，可以一次性完成所有这些操作：polyfill_resample

gdf_h3 = gdf.h3.polyfill_resample(resolution)
ax = gdf_h3.plot(figsize=(15, 15), column='gdp_md_per_capita', cmap='RdBu')
ax.axis('off')

Answer 3

将 GeoJSON 转换为 Uber 的 h3 非常简单。

附上下面使用的示例代码 sn-p 和 GeoJSON：

GeoJSON：

{"type": "FeatureCollection","features": [{"type": "Feature","properties": {},"geometry": {"type": "Polygon", "coordinates": [[[77.5250244140625,13.00857192009273],[77.51266479492188,12.971103764892034],[77.52777099609375,12.94099133483504],[77.57171630859375,12.907528813968185],[77.60604858398438,12.914890953258695],[77.662353515625,12.928276105253065],[77.69874572753906,12.961066692801282],[77.65823364257812,13.00990996390651],[77.58956909179688,13.04469656691112],[77.53944396972656,13.038007215169166],[77.5250244140625,13.00857192009273]]]}}]}

代码：

from h3converter import h3converter

geojson_raw = open("sampleJson.geojson",)
geojson = json.load(geojson_raw)

h3_list = []
h3_resolution = 7
for feature in geojson["features"]:
    feature_h3 = h3converter.polyfill(feature["geometry"], h3_resolution)
    h3_list.append(feature_h3)
    print("H3's created => ", len(feature_h3))

print(h3_list)

回应：

[{'8761892edffffff', '8760145b0ffffff', '87618925effffff', '87618925bffffff', '87618924affffff', '876189256ffffff', '8760145b1ffffff', '8761892eaffffff', '8761892eeffffff', '876189253ffffff', '876189259ffffff', '8760145b2ffffff', '876014586ffffff', '8760145b4ffffff', '8761892e1ffffff', '8760145a2ffffff', '8761892ecffffff', '876189251ffffff', '8760145a4ffffff', '8761892e5ffffff', '87618925affffff', '8761892e9ffffff', '8761892cdffffff', '876189250ffffff', '87618925dffffff', '8760145b6ffffff', '876014595ffffff', '876189252ffffff', '8761892ebffffff', '8760145a3ffffff', '8760145a6ffffff', '876014584ffffff', '876189258ffffff', '8760145b5ffffff', '8760145b3ffffff', '876014594ffffff', '8761892c9ffffff', '87618925cffffff', '8760145a0ffffff', '8761892e8ffffff'}]

使用的包： https://pypi.org/project/h3converter/

您也可以使用上述包将 h3 转换为 GeoJSON。