1、简介
Geoplotlib 是地理空间数据可视化的开源Python库，包含了大量的地理空间可视化操作，并且支持硬件加速。
本文是整理《Python数据可视化》一书而来，书中的源码地址：https://github.com/TrainingByPackt/Data-Visualization-with-Python，文中出现的数据资源也可也从中寻找并下载。源码中有ipynb文件，方便大家学习！
2、环境基础
运行环境为python3，我们需要提前安装数据处理相关的Python库。
1、pandas
2、numpy
3、Geoplotlib（pip install geoplotlib）
3、两个例子
本文将介绍四种数据呈现方法：dot（画点）、hist（二维直方图）、voronoi（维诺图）、delaunay（三角剖分）。
dot方法没什么说的，就是把每个数据 映射成地图上的一个点。
hist方法可以用 方块的颜色深浅 反应数据的分布情况。
voronio方法类似。
delaunay方法通过 三角形的大小与密度 反应数据的分布情况。
我们这里通过两个例子讲述这四种呈现方式。
exp1：显示盗猎时间的Voronio可视化结果
import pandas as pd import geoplotlib as gpl from geoplotlib.utils import DataAccessObject import os pd_dataset=pd.read_csv(\'poaching_points_cleaned.csv\')
#地图资源链接如下：
#https://github.com/TrainingByPackt/Data-Visualization-with-Python/blob/master/Lesson05/Exercise06/data/poaching_points_cleaned.csv
#放到当前目录下就行了，如果有路径问题用cd改一下终端的地址
dataset=DataAccessObject(pd_dataset)#新建DataAccessObject对象用于存储数据集 print(pd_dataset.head())#打印前五行信息 #lat lon为经纬度信息 #通过画点的方式将目标信息绘制出来（在大地图上） gpl.dot(dataset) gpl.show() #如果没有前面那些操作，则geoplotlib.show结果为一张世界地图
可以对这些数据进行进一步可视化操作，这里使用 hist方法 可以呈现大致的热力图，颜色越深表示数据越密集。
gpl.dot(dataset) gpl.hist(dataset,binsize=20) gpl.show()
exp2：人口密度可视化
先输出基本信息。
注意到这里dataset直接用pandas的read方法获取，没有使用DataAccessObject方法转换。
pandas的这种数据格式可以很快的处理数据，使用groupby()方法可以获取纵列数据，注意该方法的参数是[\'City\']而非\'City\'，虽然结果一样，但是不加中括号会慢很多，groupby(\'City\')需要遍历所有数据，而groupby([\'City\'])直接获取纵列信息。groupby()方法返回的是DataFrameGroupBy结构，包含这组数据的相关信息。
另外最后输出前20个国家的统计信息时使用dataset.groupby([\'Country\']).size().head(20)。先用size()方法统计纵列信息，倘若不加size()方法，则只会结果为打印所有原数据，后面加了head(20)也没有用。
在输出每个国家的平均城市数量时，size().agg(\'mean\')与size().mean()方法等价。
import matplotlib.pyplot as plt import pandas as pd import numpy as np \'\'\'读取人口信息\'\'\' dataset=pd.read_csv(r\'world_cities_pop.csv\', dtype={\'Region\': np.str}) #地图资源链接如下： #https://github.com/TrainingByPackt/Data-Visualization-with-Python/blob/master/Lesson05/Activity27/data/world_cities.zip print(dataset.dtypes) print(dataset.head()) \'\'\'输出人口的基本信息\'\'\' print(\'len of data:\',len(dataset)) #print(\'len of City:\',len(dataset.groupby([\'City\']))) #len of City比较大，计算时间比较长，自己跑的时候调了半天原来卡在这里 print(\'len of Country:\',len(dataset.groupby([\'Country\']))) \'\'\'输出每个国家的平均城市数量\'\'\' CountryInfo=dataset.groupby([\'Country\']) print(CountryInfo.size().head(5)) print(CountryInfo.size().agg(\'mean\')) print(CountryInfo.size().mean()) #后两个方法等价
接下来我们将人口信息绘制到地图上
在绘制之前还有一个步骤就是修改一下原数据的标签，因为geoplotlib通过纵列的标签索引进行相关操作的，因此要把原数据的Latitude名字改为Lat，Longitude改为lon，分别对应经纬度信息。
dataset[\'lat\'] = dataset[\'Latitude\'] dataset[\'lon\'] = dataset[\'Longitude\'] gpl.dot(dataset) gpl.show()
绘制完我们可以发现图像比较粗糙，点都聚集在一起，因此需要对人口数据选择性处理。
首先就是只选择人口数大于0的部分，也就是参与统计的数据，避免无效数据的干扰。
随后选择只绘制人口数大于10万的城市，图像一下清晰多了。
#有效信息，统计到人口信息的城市/国家才参与后续计算 dataset_with_pop = dataset[(dataset[\'Population\'] > 0)] print(\'Original data:\', len(dataset)) print(\'Data with useful information\', len(dataset_with_pop)) dataset_100k = dataset_with_pop[(dataset_with_pop[\'Population\'] >= 100_000)] #注意到数字是这种表达方式 print(\'The number of Cities with over 100,000 population:\',len(dataset_100k)) #超过10万的人口的城市个数 gpl.dot(dataset_100k) gpl.set_bbox(BoundingBox.WORLD) gpl.show()
将这些数据进行voronio处理，以热力图的形式呈现。这里建议alpha值不要设置成255，不然只有黑黑红红的一片而没有呈现在地图上。
gpl.voronoi(dataset_100k, cmap=\'hot_r\', max_area=1e3, alpha=125) gpl.show()
Ps：cmap可以改颜色的噢，颜色列表：
\'Accent\', \'Accent_r\', \'Blues\', \'Blues_r\', \'BrBG\', \'BrBG_r\', \'BuGn\', \'BuGn_r\', \'BuPu\', \'BuPu_r\', \'CMRmap\', \'CMRmap_r\', \'Dark2\', \'Dark2_r\', \'GnBu\', \'GnBu_r\', \'Greens\',
\'Greens_r\', \'Greys\', \'Greys_r\', \'OrRd\', \'OrRd_r\', \'Oranges\', \'Oranges_r\', \'PRGn\', \'PRGn_r\', \'Paired\', \'Paired_r\', \'Pastel1\', \'Pastel1_r\', \'Pastel2\', \'Pastel2_r\', \'PiYG\', \'PiYG_r\', \'PuBu\', \'PuBuGn\', \'PuBuGn_r\', \'PuBu_r\', \'PuOr\', \'PuOr_r\',
\'PuRd\', \'PuRd_r\', \'Purples\', \'Purples_r\', \'RdBu\', \'RdBu_r\', \'RdGy\', \'RdGy_r\', \'RdPu\', \'RdPu_r\', \'RdYlBu\', \'RdYlBu_r\', \'RdYlGn\', \'RdYlGn_r\', \'Reds\', \'Reds_r\', \'Set1\', \'Set1_r\', \'Set2\', \'Set2_r\', \'Set3\', \'Set3_r\', \'Spectral\', \'Spectral_r\',
\'Wistia\', \'Wistia_r\', \'YlGn\', \'YlGnBu\', \'YlGnBu_r\', \'YlGn_r\', \'YlOrBr\', \'YlOrBr_r\', \'YlOrRd\', \'YlOrRd_r\', \'afmhot\', \'afmhot_r\', \'autumn\', \'autumn_r\', \'binary\', \'binary_r\', \'bone\', \'bone_r\', \'brg\', \'brg_r\', \'bwr\', \'bwr_r\', \'cividis\', \'cividis_r\', \'cool\', \'cool_r\', \'coolwarm\', \'coolwarm_r\', \'copper\', \'copper_r\', \'cubehelix\', \'cubehelix_r\', \'flag\', \'flag_r\', \'gist_earth\', \'gist_earth_r\', \'gist_gray\', \'gist_gray_r\', \'gist_heat\', \'gist_heat_r\', \'gist_ncar\', \'gist_ncar_r\', \'gist_rainbow\', \'gist_rainbow_r\', \'gist_stern\', \'gist_stern_r\', \'gist_yarg\', \'gist_yarg_r\', \'gnuplot\', \'gnuplot2\', \'gnuplot2_r\', \'gnuplot_r\', \'gray\', \'gray_r\', \'hot\', \'hot_r\', \'hsv\', \'hsv_r\', \'inferno\', \'inferno_r\', \'jet\', \'jet_r\', \'magma\', \'magma_r\', \'nipy_spectral\', \'nipy_spectral_r\', \'ocean\', \'ocean_r\', \'pink\', \'pink_r\', \'plasma\', \'plasma_r\', \'prism\', \'prism_r\', \'rainbow\', \'rainbow_r\', \'seismic\', \'seismic_r\', \'spring\', \'spring_r\', \'summer\', \'summer_r\', \'tab10\', \'tab10_r\',
\'tab20\', \'tab20_r\', \'tab20b\', \'tab20b_r\', \'tab20c\', \'tab20c_r\', \'terrain\', \'terrain_r\', \'turbo\', \'turbo_r\', \'twilight\', \'twilight_r\', \'twilight_shifted\', \'twilight_shifted_r\', \'viridis\', \'viridis_r\', \'winter\', \'winter_r\'
可以把前面的gpl.dot(dataset_100k)注释掉看看，这样地图上不会化小红点点，可能好看一些（）
对数据的密度还有一种呈现方式就是delaunay方法，可以用三角网格的方式表现数据。
这里我们选择中国的数据进行处理。如果想同时包含多个地区，可以用\'\'|\'\'运算符进行添加，比如dataset_europe = dataset_100k[(dataset_100k[\'Country\'] == \'de\') | (dataset_100k[\'Country\'] == \'gb\')]（选择德国与英国的数据）
#选取中国的数据 dataset_china = dataset_100k[(dataset_100k[\'Country\'] == \'cn\')] print(\'Cities in China with over 100,000 population:\', len(dataset_china)) gpl.dot(dataset_china) gpl.delaunay(dataset_china, cmap=\'Wistia\') #这个颜色好看！！ gpl.show()
网格越密集，则人口密度越大。可以发现中国的大人口城市主要集中在东部地区。
4、结语
啊啊啊啊第一次写博客好紧张，最近会把可视化方面的资料整理出来，趁暑假比较闲尽量日更（）。
如有疑问和意见，欢迎留言！萌新会马不停蹄去查资料的！