3g 覆盖图 - 可视化纬度、经度、ping 数据

Question

假设我一直在使用笔记本电脑上的 3g 调制解调器和 GPS 驾驶设定的路线，而我在家里的电脑记录了 ping 延迟。我已将 ping 与 GPS 纬度/经度相关联，现在我想可视化这些数据。

我每天有大约 80,000 个数据点，我想展示几个月的数据。我对显示 ping 始终超时的区域（即 ping == 1000）特别感兴趣。

散点图

我的第一次尝试是使用散点图，每个数据输入一个点。如果超时，我将点的大小放大 5 倍，因此这些区域的位置很明显。我还将 alpha 降低到 0.1，以粗略地查看重叠点。

# Colour
c = pings 
# Size
s = [2 if ping < 1000 else 10 for ping in pings]
# Scatter plot
plt.scatter(longs, lats, s=s, marker='o', c=c, cmap=cm.jet, edgecolors='none', alpha=0.1)

这样做的明显问题是每个数据点显示一个标记，这是显示大量数据的一种非常糟糕的方式。如果我两次驶过同一区域，那么第一次通过的数据只会显示在第二次通过的顶部。

在偶数网格上插值

然后我尝试使用 numpy 和 scipy 在偶数网格上进行插值。

# Convert python list to np arrays
x = np.array(longs, dtype=float)
y = np.array(lats, dtype=float)
z = np.array(pings, dtype=float)

# Make even grid (200 rows/cols)
xi = np.linspace(min(longs), max(longs), 200)
yi = np.linspace(min(lats), max(lats), 200)

# Interpolate data points to grid
zi = griddata((x, y), z, (xi[None,:], yi[:,None]), method='linear', fill_value=0)

# Plot contour map
plt.contour(xi,yi,zi,15,linewidths=0.5,colors='k')
plt.contourf(xi,yi,zi,15,cmap=plt.cm.jet)

来自this example

这看起来很有趣（很多颜色和形状），但它在我没有探索过的区域外推得太远了。你看不到我走过的路线，只有红色/蓝色斑点。

如果我在一条大曲线上行驶，它会在之间的区域内插值（见下文）：

在不均匀的网格上插值

然后我尝试使用 meshgrid (xi, yi = np.meshgrid(lats, longs)) 而不是固定网格，但有人告诉我我的数组太大了。

有没有一种简单的方法可以从我的点创建一个网格？

---

我的要求：

• 处理大型数据集（80,000 x 60 = ~5m 点）
• 通过平均（我假设插值会这样做）或通过为每个点取最小值来显示每个点的重复数据。
• 不要从数据点推断太远

我对散点图（顶部）很满意，但我需要一些方法在显示之前对数据进行平均。

（对于不可靠的 mspaint 图纸，我无法上传实际数据表示歉意）

---

解决方案：

# Get sum
hsum, long_range, lat_range = np.histogram2d(longs, lats, bins=(res_long,res_lat), range=((a,b),(c,d)), weights=pings)
# Get count
hcount, ignore1, ignore2 = np.histogram2d(longs, lats, bins=(res_long,res_lat), range=((a,b),(c,d)))
# Get average
h = hsum/hcount
x, y = np.where(h)
average = h[x, y]
# Make scatter plot
scatterplot = ax.scatter(long_range[x], lat_range[y], s=3, c=average, linewidths=0, cmap="jet", vmin=0, vmax=1000)

Answer 1

GDAL 库包括Python API 和相关实用程序，尤其是gdal_grid 应该适合您。它包括许多用于从散点生成网格数据的插值和平均方法和选项。您应该能够操纵网格单元大小以获得令人满意的分辨率。

GDAL 可以处理多种数据格式，但您应该能够将坐标和 ping 值作为 CSV 传递并轻松返回 PNG 或 JPEG。

请记住，纬度/经度数据不是平面坐标系。如果您打算将结果与其他地图数据结合起来，您必须弄清楚要使用的地图投影、单位等。

Answer 2

为了简化您的问题，您有两组点，一组用于 ping=1000。 由于点的数量非常大，所以不能直接通过 scatter() 来绘制它们。我通过以下方式创建了一些示例数据：

longs = (np.random.rand(60, 1) + np.linspace(-np.pi, np.pi, 80000)).reshape(-1)
lats = np.sin(longs) + np.random.rand(len(longs)) * 0.1

bad_index = (longs>0) & (longs<1)
bad_longs = longs[bad_index]
bad_lats = lats[bad_index]

(longs, lats) 是 ping1000 的点

您可以使用 numpy.histogram2d() 来计算点数：

ranges = [[np.min(lats), np.max(lats)], [np.min(longs), np.max(longs)]]
h, lat_range, long_range = np.histogram2d(lats, longs, bins=(400,400), range=ranges)
bad_h, lat_range2, long_range2 = np.histogram2d(bad_lats, bad_longs, bins=(400,400), range=ranges)

h 和 bad_h 是每个小正方形区域的点数。

然后你可以选择很多方法来可视化它。例如，您可以通过 scatter() 绘制它：

y, x = np.where(h)
count = h[y, x]
pl.scatter(long_range[x], lat_range[y], s=count/20, c=count, linewidths=0, cmap="Blues")

count = bad_h[y, x]
pl.scatter(long_range2[x], lat_range2[y], s=count/20, c=count, linewidths=0, cmap="Reds")

pl.show() 

这里是完整的代码：

import numpy as np
import pylab as pl

longs = (np.random.rand(60, 1) + np.linspace(-np.pi, np.pi, 80000)).reshape(-1)
lats = np.sin(longs) + np.random.rand(len(longs)) * 0.1

bad_index = (longs>0) & (longs<1)
bad_longs = longs[bad_index]
bad_lats = lats[bad_index]

ranges = [[np.min(lats), np.max(lats)], [np.min(longs), np.max(longs)]]
h, lat_range, long_range = np.histogram2d(lats, longs, bins=(300,300), range=ranges)
bad_h, lat_range2, long_range2 = np.histogram2d(bad_lats, bad_longs, bins=(300,300), range=ranges)

y, x = np.where(h)
count = h[y, x]
pl.scatter(long_range[x], lat_range[y], s=count/20, c=count, linewidths=0, cmap="Blues")

count = bad_h[y, x]
pl.scatter(long_range2[x], lat_range2[y], s=count/20, c=count, linewidths=0, cmap="Reds")

pl.show()

输出图为：