GeoPandas：针对地理数据做了特别支持的第三方模块

GeoPandas是一个基于pandas，针对地理数据做了特别支持的第三方模块。

它继承pandas.Series和pandas.Dataframe，实现了GeoSeries和GeoDataFrame类，使得其操纵和分析平面几何对象非常方便。

1.准备

开始之前，你要确保Python和pip已经成功安装在电脑上，如果没有，可以访问这篇文章：超详细Python安装指南 进行安装。

(可选1) 如果你用Python的目的是数据分析，可以直接安装Anaconda：Python数据分析与挖掘好帮手—Anaconda，它内置了Python和pip.

(可选2) 此外，推荐大家用VSCode编辑器，它有许多的优点：Python 编程的最好搭档—VSCode 详细指南。

请选择以下任一种方式输入命令安装依赖：

1. Windows 环境 打开 Cmd (开始-运行-CMD)。
2. MacOS 环境 打开 Terminal (command+空格输入Terminal)。
3. 如果你用的是 VSCode编辑器 或 Pycharm，可以直接使用界面下方的Terminal.

由于geopandas涉及到许多第三方依赖，pip安装起来非常麻烦。因此在本教程中，我只推荐使用conda安装geopandas：

conda install geopandas

一行语句即可完成安装。

2.基本使用

设定坐标绘制简单的图形：

import geopandas
from shapely.geometry import Polygon
p1 = Polygon([(0, 0), (1, 0), (1, 1)])
p2 = Polygon([(0, 0), (1, 0), (1, 1), (0, 1)])
p3 = Polygon([(2, 0), (3, 0), (3, 1), (2, 1)])
g = geopandas.GeoSeries([p1, p2, p3])

# g:
# result:
# 0 POLYGON ((0 0, 1 0, 1 1, 0 0))
# 1 POLYGON ((0 0, 1 0, 1 1, 0 1, 0 0))
# 2 POLYGON ((2 0, 3 0, 3 1, 2 1, 2 0))
# dtype: geometry

这些变量所形成的图形如下：

这里有一个重要且强大的用法，通过area属性，geopandas能直接返回这些图形的面积：

 > > > print(g.area)
0    0.5
1    1.0
2    1.0
dtype: float64

不仅如此，通过plot属性函数，你还可以直接生成matplotlib图。

 >> > g.plot()

通过matplot的pyplot，可以将图片保存下来：

import matplotlib.pyplot as plt
g.plot()
plt.savefig("test.png")

学会上面的基本用法， 我们就可以进行简单的地图绘制及面积的计算了。

3.绘制并算出每个省的面积

此外，它最大的亮点是可以通过 Fiona(底层实现，用户不需要管)，读取比如ESRI shapefile(一种用于存储地理要素的几何位置和属性信息的非拓扑简单格式)。

下面是读取一份省级行政区数据的示例：

import geopandas
import matplotlib.pyplot as plt
from shapely.geometry import Polygon

maps = geopandas.read_file('1.shx')
# 读取的数据格式类似于
# geometry
# 0 POLYGON ((1329152.341 5619034.278, 1323327.591...
# 1 POLYGON ((-2189253.375 4611401.367, -2202922.3...
# 2 POLYGON ((761692.092 4443124.843, 760999.873 4...
# 3 POLYGON ((-34477.046 4516813.963, -41105.128 4...
# ... ...
maps.plot()
plt.savefig("test.png")

如代码所示，通过read_file你可以读取shx、gpkg、geojson等数据。读取出来的图形如下：

同样，因为这个shapefile是省级行政区的数据，每一个省级行政区都被划分为一个区块，因此可以一行语句算出每个省级行政区所占面积：

print(maps.area)
# 0 4.156054e+11
# 1 1.528346e+12
# 2 1.487538e+11
# 3 4.781135e+10
# 4 1.189317e+12
# 5 1.468277e+11
# 6 1.597052e+11
# 7 9.770609e+10
# 8 1.385692e+11
# 9 1.846538e+11
# 10 1.015979e+11
# ... ...