本文主要介紹GeoPandas結合matplotlib實現地圖的基礎視覺化。GeoPandas是一個Python開源專案，旨在提供豐富而簡單的地理空間資料處理介面。GeoPandas擴充套件了Pandas的資料型別，並使用matplotlib進行繪圖。GeoPandas官方倉庫地址為：GeoPandas。GeoPandas的官方檔案地址為：GeoPandas-doc。關於GeoPandas的使用見[資料分析與視覺化] Python繪製資料地圖1-GeoPandas入門指北。

本文所有程式碼見：Python-Study-Notes

GeoPandas推薦使用Python3.7版本及以上，執行環境最好是linux系統。GeoPandas安裝命令如下：

pip install geopandas

如果上述命令安裝出問題，則推薦使用conda安裝GeoPandas，命令如下：

conda install geopandas

或：

conda install --channel conda-forge geopandas

# jupyter notebook環境去除warning
import warnings
warnings.filterwarnings("ignore")

# 檢視geopandas版本
import geopandas as gpd

gpd.__version__

'0.10.2'

1 基礎繪圖

1.1 繪圖介面說明

GeoPandas基於matplotlib庫封裝高階介面用於製作地圖，GeoSeries或GeoDataFrame物件都提供了plot函數以進行物件視覺化。與GeoSeries物件相比，GeoDataFrame物件提供的plot函數在引數上更為複雜，也更為常用。
GeoDataFrame物件提供的plot函數的常用輸入引數如下：

def GeoDataFrame.plot(
	column: str, np.array, pd.Series (default None), # 用於繪圖的列名或資料列
	kind: str, # 繪圖型別
	cmap: str, # matplotlib的顏色圖Colormaps
	color: str, np.array, pd.Series (default None), # 指定所有繪圖物件的統一顏色
	ax: matplotlib.pyplot.Artist (default None), # 指定matplotlib的繪圖軸
	cax: matplotlib.pyplot Artist (default None), # 設定圖例的座標軸
	categorical: bool (default False), # 是否按照類別設定物件顏色
	legend: bool (default False), # 是否顯示圖例，如果column或color引數未賦值，則此引數無效
	scheme: str (default None), # 用於控制分層設色
	k：int (default 5), # scheme的層次數
	vmin：None or float (default None), # 圖例cmap的最小值
	vmax：None or float (default None), # 圖例cmap的最大值
	markersize：str or float or sequence (default None), # 繪圖點的大小
	figsize: tuple of integers (default None), # 用於控制matplotlib.figure.Figure
	legend_kwds: dict (default None), # matplotlib圖例引數
	missing_kw: dsdict (default None), # 缺失值區域繪製引數
	aspect:‘auto’, ‘equal’, None or float (default ‘auto’), # 設定繪圖比例
	**style_kwds: dict, # 其他引數，如物件邊界色edgecolor, 物件填充色facecolor, 邊界寬linewidth,透明度alpha
)->ax: matplotlib axes instance

GeoSeries物件提供的plot函數的常用輸入引數如下：

def GeoSeries.plot(
	s: Series, # GeoSeries物件
	cmap: str (default None),
	color: str, np.array, pd.Series, List (default None),
	ax: matplotlib.pyplot.Artist (default None),
	figsize: pair of floats (default None),
	aspect: ‘auto’, ‘equal’, None or float (default ‘auto’),
	**style_kwds: dict
)->ax: matplotlib axes instance

想要更好使用以上引數最好熟悉matplotlib，如有不懂可以查閱matplotlib檔案。下面簡要介紹GeoPandas中繪圖函數的使用。

讀取資料集

import geopandas as gpd
# 讀取自帶世界地圖資料集
world = gpd.read_file(gpd.datasets.get_path('naturalearth_lowres'))
# 人口，大洲，國名，國家縮寫，ISO國家程式碼，gdp，地理位置資料
world.head()

world.plot()

<matplotlib.axes._subplots.AxesSubplot at 0x7f17b270fe10>

# 讀取自帶世界各大城市資料集
cities = gpd.read_file(gpd.datasets.get_path('naturalearth_cities'))
# 名字，地理位置資料
cities.head()

分割區統計圖

GeoPandas可以輕鬆建立分割區統計圖（每個形狀的顏色基於關聯變數值的地圖）。只需在plot函數中將引數column設定為要用於指定顏色的列。

# 去除南極地區
world = world[(world.pop_est>0) & (world.name!="Antarctica")]
# 計算人均gpd
world['gdp_per_cap'] = world.gdp_md_est / world.pop_est
# 繪圖
world.plot(column='gdp_per_cap')

<matplotlib.axes._subplots.AxesSubplot at 0x7f17b241f390>

圖例設定

legend=True即可展示圖例。

import matplotlib.pyplot as plt

fig, ax = plt.subplots(1, 1)
# 根據人口繪圖數繪製
world.plot(column='pop_est', ax=ax, legend=True)

<matplotlib.axes._subplots.AxesSubplot at 0x7f17b23585d0>

但是我們會發現繪圖區域和圖例區域不對齊，我們通過mpl_toolkits設定圖例軸，並通過cax引數直接控制plot函數的圖例繪製。

from mpl_toolkits.axes_grid1 import make_axes_locatable

fig, ax = plt.subplots(1, 1)

divider = make_axes_locatable(ax)

# 設定圖例，right表示位置，size=5%表示圖例寬度，pad表示圖例離圖片間距
cax = divider.append_axes("right", size="5%", pad=0.2)

world.plot(column='pop_est', ax=ax, legend=True, cax=cax)

<matplotlib.axes._subplots.AxesSubplot at 0x7f17b21de650>

此外我們可以通過legend_kwds設定圖例資訊和方向，就像matplotlib那樣。

import matplotlib.pyplot as plt

fig, ax = plt.subplots(1, 1)

world.plot(column='pop_est',
           ax=ax,
           legend=True,
           legend_kwds={'label': "Population by Country and Area",
                        'orientation': "horizontal"})

<matplotlib.axes._subplots.AxesSubplot at 0x7f17b20ec110>

顏色設定

GeoPandas的繪圖函數中通過cmap引數設定顏色圖，具體cmap引數的設定可以見matplotlib顏色圖選擇教學。

# 設定顏色圖為tab20
world.plot(column='gdp_per_cap', cmap='tab20')

<matplotlib.axes._subplots.AxesSubplot at 0x7f17b205a490>

如果只想繪製邊界，可以呼叫boundary屬性進行繪製。

world.boundary.plot()

<matplotlib.axes._subplots.AxesSubplot at 0x7f15ac1cecd0>

缺失資料繪製

當繪製項某些地圖的資料缺失時，GeoPandas會自動放棄這些區域資料的繪製。如下所示。將Africa地區的gdp_per_cap資料設定為確實，那麼將不在地圖上繪製Africa地區的圖形。

import numpy as np

world.loc[world[world.continent=="Africa"].index, 'gdp_per_cap'] = np.nan
world.plot(column='gdp_per_cap')

<matplotlib.axes._subplots.AxesSubplot at 0x7f15ac0afe50>

如果我們想要在地圖上展示缺失值的地區，可以通過missing_kwds設定相應的引數。如下所示：

# 將缺失值地區顏色設定為lightgrey
world.plot(column='gdp_per_cap', missing_kwds={'color': 'lightgrey'})

<matplotlib.axes._subplots.AxesSubplot at 0x7f15ac094250>

# 更復雜的例子，hatch表示內部影象樣式
ax = world.plot(column='gdp_per_cap', missing_kwds={'color': 'lightgrey','edgecolor':'red',"hatch": "///","label": "Missing values"})
# 不顯示座標軸
ax.set_axis_off();

圖層設定

當我們需要疊加多張地圖或多個資料的結果，則需要用到地圖的圖層。GeoPandas提供了兩種方式進行圖層設定，但是要注意的是在合併地圖之前，始終確保它們共用一個共同的座標參考系crs。如將world地圖和cities地圖合併繪製。

# 以world資料集為準，對齊crs
cities.plot(marker='*', color='green', markersize=5)
cities = cities.to_crs(world.crs)

第一種方式最為簡單，直接通過ax引數控制繪圖軸來實現圖層疊加。

# base為繪圖軸
base = world.plot(color='white', edgecolor='black')

cities.plot(ax=base, marker='o', color='red', markersize=5);

第二種方式最為靈活，即通過matplotlib控制繪圖。如果想要繪製更加美觀的地圖，這種方式更加推薦，但是需要了解matplotlib的使用。

import matplotlib.pyplot as plt


# 設定繪圖軸
fig, ax = plt.subplots()
ax.set_aspect('equal')

world.plot(ax=ax, color='white', edgecolor='black')
cities.plot(ax=ax, marker='o', color='red', markersize=5)

plt.show()

圖層順序控制

如果我們需要控制地圖圖層的展示順序，即哪張圖片顯示在前。一種辦法是通過繪圖順序設定，後繪製的資料的圖層順序越靠上。一種是通過zorder引數設定圖層順序，zorder值越大，表示圖層順序越靠上。如下所示：

# cities先繪製，則圖層順序更靠下，導致一些資料點被world圖層遮蓋。
ax = cities.plot(color='k')

world.plot(ax=ax);

# 調整繪圖順序，完整顯示cities資料點
ax = world.plot()

cities.plot(ax=ax,color='k')

<matplotlib.axes._subplots.AxesSubplot at 0x7f159d535f10>

# 通過zorder引數設定圖層順序，完整顯示cities資料點
ax = cities.plot(color='k',zorder=2)

world.plot(ax=ax,zorder=1)

<matplotlib.axes._subplots.AxesSubplot at 0x7f159d4e8a10>

Pandas Plots

GeoPandas的Plot函數還允許設定kind引數繪製不同型別的圖形，kind預設為geo（地圖），其他可選引數與pandas預設提供的繪圖函數一致。pandas預設提供的繪圖函數見：Chart visualization。

gdf = world.head(10)

gdf.plot(kind='scatter', x="pop_est", y="gdp_md_est")

<matplotlib.axes._subplots.AxesSubplot at 0x7f159d5d69d0>

1.2 繪圖範例之中國地圖繪製

該範例主要參考：

• 基於geopandas的空間資料分析之基礎視覺化
• geopandas 中國地圖繪製

1 讀取地圖資料

import geopandas as gpd
import matplotlib.pyplot as plt

# 讀取中國地圖資料，資料來自DataV.GeoAtlas，將其投影到EPSG:4573
data = gpd.read_file('https://geo.datav.aliyun.com/areas_v3/bound/100000_full.json').to_crs('EPSG:4573')
# 中國有34個省級行政區，最後一條資料為南海九段線
data.shape

(35, 8)

# 儲存各個省級行政區的面積，單位萬平方公里
data['area'] = data.area/1e6/1e4
# 中國疆域總面積，和官方資料會有差距
data['area'].sum()

989.1500769770855

# 檢視最後五條資料
data.tail()

# 拆分資料
nine_dotted_line = data.iloc[-1]
data = data[:-1]
nine_dotted_line

adcode                                                     100000_JD
name                                                                
adchar                                                            JD
childrenNum                                                      NaN
level                                                            NaN
parent                                                           NaN
subFeatureIndex                                                  NaN
geometry           MULTIPOLYGON (((20309263.208229765 2708129.154...
area                                                        0.280824
Name: 34, dtype: object

2 地圖繪製

# 建立畫布matplotlib
fig, ax = plt.subplots(figsize=(12, 9))
# 繪製主要區域
ax = data.plot(ax=ax)
# 繪製九段線
ax = gpd.GeoSeries(nine_dotted_line.geometry).plot(ax=ax,edgecolor='red',linewidth=3)
# 儲存結果
fig.savefig('res.png', dpi=300, bbox_inches='tight')

3 繪圖自定義

# 建立畫布matplotlib
fig, ax = plt.subplots(figsize=(12, 9))
# 繪製主要區域
ax = data.plot(ax=ax,facecolor='grey',edgecolor='lightgrey',alpha=0.8,linewidth=1)
# 繪製九段線
ax = gpd.GeoSeries(nine_dotted_line.geometry).plot(ax=ax,edgecolor='grey',linewidth=3)
# 強調首都
ax = data[data.name=="北京市"].representative_point().plot(ax=ax, facecolor='red',marker='*', markersize=150) 

# 強調港澳臺
# 設定字型
fontdict = {'family':'FZSongYi-Z13S', 'size':8, 'color': "blue",'weight': 'bold'}
for index in data[data.adcode.isin(['710000','810000','820000'])].index:
    if data.iloc[index]['name'] == "臺灣省":
        x = data.iloc[index].geometry.centroid.x
        y = data.iloc[index].geometry.centroid.y
        name = "臺灣省"
        ax.text(x, y, name, ha="center", va="center", fontdict=fontdict)
    elif data.iloc[index]['name'] == "香港特別行政區":
        x = data.iloc[index].geometry.centroid.x
        y = data.iloc[index].geometry.centroid.y
        name = "香港"
        ax.text(x, y, name, ha="left", va="top", fontdict=fontdict)
        gpd.GeoSeries(data.iloc[index].geometry.centroid).plot(ax=ax, facecolor='black', markersize=5)
    elif data.iloc[index]['name'] == "澳門特別行政區":
        x = data.iloc[index].geometry.centroid.x
        y = data.iloc[index].geometry.centroid.y
        name = "澳門"
        ax.text(x, y, name, ha="right", va="top", fontdict=fontdict)
        gpd.GeoSeries(data.iloc[index].geometry.centroid).plot(ax=ax, facecolor='black', markersize=5)

# 移除座標軸
ax.axis('off')

(15508157.566510478, 20969512.421140186, 92287.20109282521, 6384866.68627745)

4 圖例設定

這裡採用單獨繪製圖例的方式來建立圖例，需要對matplotlib使用有一定的瞭解。

# 建立畫布matplotlib
fig, ax = plt.subplots(figsize=(12, 9))
# 繪製主要區域
ax = data.plot(ax=ax,facecolor='grey',edgecolor='lightgrey',alpha=0.8,linewidth=1)
# 繪製九段線
ax = gpd.GeoSeries(nine_dotted_line.geometry).plot(ax=ax,edgecolor='grey',linewidth=3)
# 強調首都
ax = data[data.name=="北京市"].representative_point().plot(ax=ax, facecolor='red',marker='*', markersize=150) 

# 強調港澳臺
# 設定字型
fontdict = {'family':'FZSongYi-Z13S', 'size':8, 'color': "blue",'weight': 'bold'}
# 這一段程式碼可能因為不同matplotlib版本出現不同結果
for index in data[data.adcode.isin(['710000','810000','820000'])].index:
    if data.iloc[index]['name'] == "臺灣省":
        x = data.iloc[index].geometry.centroid.x
        y = data.iloc[index].geometry.centroid.y
        name = "臺灣省"
        ax.text(x, y, name, ha="center", va="center", fontdict=fontdict)
    elif data.iloc[index]['name'] == "香港特別行政區":
        x = data.iloc[index].geometry.centroid.x
        y = data.iloc[index].geometry.centroid.y
        name = "香港"
        ax.text(x, y, name, ha="left", va="top", fontdict=fontdict)
        gpd.GeoSeries(data.iloc[index].geometry.centroid).plot(ax=ax, facecolor='black', markersize=5)
    elif data.iloc[index]['name'] == "澳門特別行政區":
        x = data.iloc[index].geometry.centroid.x
        y = data.iloc[index].geometry.centroid.y
        name = "澳門"
        ax.text(x, y, name, ha="right", va="top", fontdict=fontdict)
        gpd.GeoSeries(data.iloc[index].geometry.centroid).plot(ax=ax, facecolor='black', markersize=5)

# 移除座標軸
ax.axis('off')

# 單獨繪製圖例
plt.rcParams["font.family"] = 'FZSongYi-Z13S'
ax.scatter([], [], c='red', s=80,  marker='*', label='首都')
ax.plot([], [], c='grey',linewidth=3, label='南海九段線') 
# 設定圖例順序
handles, labels = ax.get_legend_handles_labels()
ax.legend(handles[::-1], labels[::-1], title="圖例",frameon=True, shadow=True, loc="lower left",fontsize=10)
# ax.legend(title="圖例",frameon=True, shadow=True, loc="lower left",fontsize=10)

<matplotlib.legend.Legend at 0x7f159cbe7510>

5 小地圖繪製

在很多中國地圖中，南海諸島區域都是在右下角的小地圖單獨繪製。在GeoPandas中想要實現這一功能，可以通過matplotlib的add_axes函數實現。add_axes主要功能為為新增繪圖子區域，該區域可以位於畫布中任意區域，且可設定任意大小。add_axes輸入引數為(left, bottom, width, height)，left, bottom表示相對畫布的比例座標，width和height表示相對畫布的比例長寬。

這種繪圖方式非常不專業，也不推薦，建議只是學習使用思路。具體使用看如下程式碼。

# 建立畫布
fig = plt.figure(figsize=(6,3))
# 建立一個填充整個畫布的子圖
ax = fig.add_axes((0,0,1,1))
# 從畫布寬40%，高40%處繪製子圖 
ax_child = fig.add_axes((0.4,0.4,0.2,0.2))

具體新增小地圖首先確定中國大陸區域範圍和南海範圍，然後分開繪製。

from shapely.geometry import Point

# 設中國大陸區域範圍和南海範圍，估計得到
bound = gpd.GeoDataFrame({
    'x': [80, 140, 106.5, 123],
    'y': [15, 50, 2.8, 24.5]
})
bound.geometry = bound.apply(lambda row: Point([row['x'], row['y']]), axis=1)
# 初始化CRS
bound.crs = 'EPSG:4326'
bound = bound.to_crs('EPSG:4573')
bound

# 建立畫布matplotlib
fig, ax = plt.subplots(figsize=(12, 9))
# 繪製主要區域
ax = data.plot(ax=ax,facecolor='grey',edgecolor='lightgrey',alpha=0.8,linewidth=1)
# 繪製九段線
ax = gpd.GeoSeries(nine_dotted_line.geometry).plot(ax=ax,edgecolor='grey',linewidth=3)
# 強調首都
ax = data[data.name=="北京市"].representative_point().plot(ax=ax, facecolor='red',marker='*', markersize=150) 

# 強調港澳臺
# 設定字型
fontdict = {'family':'FZSongYi-Z13S', 'size':8, 'color': "blue",'weight': 'bold'}
# 這一段程式碼可能因為不同matplotlib版本出現不同結果
for index in data[data.adcode.isin(['710000','810000','820000'])].index:
    if data.iloc[index]['name'] == "臺灣省":
        x = data.iloc[index].geometry.centroid.x
        y = data.iloc[index].geometry.centroid.y
        name = "臺灣省"
        ax.text(x, y, name, ha="center", va="center", fontdict=fontdict)
    elif data.iloc[index]['name'] == "香港特別行政區":
        x = data.iloc[index].geometry.centroid.x
        y = data.iloc[index].geometry.centroid.y
        name = "香港"
        ax.text(x, y, name, ha="left", va="top", fontdict=fontdict)
        gpd.GeoSeries(data.iloc[index].geometry.centroid).plot(ax=ax, facecolor='black', markersize=5)
    elif data.iloc[index]['name'] == "澳門特別行政區":
        x = data.iloc[index].geometry.centroid.x
        y = data.iloc[index].geometry.centroid.y
        name = "澳門"
        ax.text(x, y, name, ha="right", va="top", fontdict=fontdict)
        gpd.GeoSeries(data.iloc[index].geometry.centroid).plot(ax=ax, facecolor='black', markersize=5)

# 設定大陸區域範圍
ax.set_xlim(bound.geometry[0].x, bound.geometry[1].x)
ax.set_ylim(bound.geometry[0].y, bound.geometry[1].y)

# 移除座標軸
ax.axis('off')

# 單獨繪製圖例
plt.rcParams["font.family"] = 'FZSongYi-Z13S'
ax.scatter([], [], c='red', s=80,  marker='*', label='首都')
ax.plot([], [], c='grey',linewidth=3, label='南海九段線') 
# 設定圖例順序
handles, labels = ax.get_legend_handles_labels()
ax.legend(handles[::-1], labels[::-1], title="圖例",frameon=True, shadow=True, loc="lower left",fontsize=10)
# ax.legend(title="圖例",frameon=True, shadow=True, loc="lower left",fontsize=10)

# 建立南海插圖對應的子圖，調整這些引數以調整地圖位置
ax_child = fig.add_axes([0.75, 0.15, 0.2, 0.2])
ax_child = data.plot(ax=ax_child,facecolor='grey',edgecolor='lightgrey',alpha=0.8,linewidth=1)
# 繪製九段線
ax_child = gpd.GeoSeries(nine_dotted_line.geometry).plot(ax=ax_child,edgecolor='grey',linewidth=3)

# 設定子圖顯示範圍
ax_child.set_xlim(bound.geometry[2].x, bound.geometry[3].x)
ax_child.set_ylim(bound.geometry[2].y, bound.geometry[3].y)
ax_child.text(0.98,0.02,'Produced by luohenyueji',transform = ax.transAxes,
        ha='center', va='center',fontsize = 12,color='black')
# 移除子圖座標軸
ax_child.set_xticks([])
ax_child.set_yticks([])

fig.savefig('res.png', dpi=300, bbox_inches='tight')

2 分層設色

2.1 分層設色基本介紹

如下程式碼所示，繪製江蘇省地級市GDP地圖。

# 讀取2019江蘇省各市GDP資料

import geopandas as gpd
import matplotlib.pyplot as plt
import pandas as pd
plt.rcParams["font.family"] = 'FZSongYi-Z13S'
# 資料來自網際網路
gdp = pd.read_csv("2022江蘇省各市GDP.csv")
gdp

# 讀取江蘇地圖資料，資料來自DataV.GeoAtlas，將其投影到EPSG:4573
data = gpd.read_file('https://geo.datav.aliyun.com/areas_v3/bound/320000_full.json').to_crs('EPSG:4573')
# 合併資料
data = data.join(gdp.set_index('地級市')["2022年GDP（億元）"],on='name')
# 修改列名
data.rename(columns={'2022年GDP（億元）':'GDP'},inplace=True)
data.head()

fig, ax = plt.subplots(figsize=(9, 9))

# legend_kwds設定matplotlib的legend引數
data.plot(ax=ax,column='GDP', cmap='coolwarm', legend=True,legend_kwds={'label': "GDP（億元）", 'shrink':0.5})
ax.axis('off')

# 設定
fontdict = {'family':'FZSongYi-Z13S', 'size':8, 'color': "black",'weight': 'bold'}

# 設定標題
ax.set_title('江蘇省地級市2022年GDP資料視覺化', fontsize=24) 
for index in data.index:
    x = data.iloc[index].geometry.centroid.x
    y = data.iloc[index].geometry.centroid.y
    name = data.iloc[index]["name"]
    if name in ["蘇州市","無錫市"]:
        x = x*1.001
    ax.text(x, y, name, ha="center", va="center", fontdict=fontdict)
# 儲存圖片
fig.savefig('res.png', dpi=300, bbox_inches='tight')

可以看到在上述地圖中，由於蘇州市的數值太大，其他資料被壓縮到淺色區域，無法有效展示資料分佈。需要使用地圖分層設色來更好地展示資料。地圖分層設色是一種常見的地圖視覺化方式，它可以將地圖上的資料按照不同的分類進行分層，並對每一層資料進行不同的顏色設定，以便更加直觀地展現地理空間資料的分佈情況和特徵。
在本文通過Python模組mapclassify用於分層設色和資料視覺化。使用mapclassify之前需要輸入以下命令安裝相關模組：

pip install mapclassify

mapclassify官方倉庫見：mapclassify。mapclassify提供了多種分組方法，可以幫助我們更好地理解資料的分佈情況，mapclassify提供的方法包括：

• BoxPlot: 基於箱線圖的分類方法。這種分類方法適用於資料分佈比較規律的情況。
• EqualInterval: 等距離分類方法。這種分類方法將資料劃分為等距離的若干區間。適用於資料分佈比較均勻的情況。
• FisherJenks: 基於Fisher-Jenks演演算法的分類方法。這種分類方法將資料劃分為若干區間，使得每個區間內部的差異最小，不同區間之間的差異最大。適用於資料分佈比較不規律的情況。
• HeadTailBreaks: 基於Head-Tail演演算法的分類方法。這種分類方法將給定的資料集分為兩部分：頭部和尾部。頭部通常包含出現頻率最高的值，而尾部包含出現頻率較低的值。適用於識別資料集中的異常值和離群值。
• JenksCaspall: 基於Jenks-Caspall演演算法的分類方法。這種分類方法根據資料中發現的自然分組將資料集劃分為類。適用於需要將資料分類為幾個具有明顯含義的區間的情況。
• JenksCaspallForced: 強制基於Jenks-Caspall演演算法的分類方法。與JenksCaspall演演算法類似，但是它對區間的數量和大小有更強的控制力。適用於需要精確控制區間數量和大小的情況。
• JenksCaspallSampled: 取樣基於Jenks-Caspall演演算法的分類方法。該方法對資料進行取樣，然後使用Jenks-Caspall演演算法對取樣後的資料進行分類，適用於資料量比較大的情況。
• MaxP: 基於最大界限的分類方法。這種分類方法將資料劃分為幾個區間，使得不同區間之間的差異最大。適用於需要將資料分類為幾個具有明顯差異的區間的情況。
• MaximumBreaks: 基於最大間隔的分類方法。這種分類方法與MaxP演演算法類似，但是它更加註重區間的可理解性。適用於需要將資料分類為幾個具有明顯含義的區間的情況。
• NaturalBreaks: 基於自然間隔的分類方法。這種分類方法將資料劃分為幾個區間，使得每個區間內部的差異最小，不同區間之間的差異最大。適用於資料分佈比較不規律的情況
• Quantiles: 基於分位數的分類方法。
• Percentiles: 基於百分位數的分類方法。
• StdMean: 基於標準差分組的分類方法。
• UserDefined: 基於自定義分組的分類方法。

關於以上常用方法的具體介紹可以看看基於geopandas的空間資料分析——深入淺出分層設色。mapclassify對資料進行分類簡單使用方法如下：

範例1

import mapclassify
# 匯入範例資料
y = mapclassify.load_example()
print(type(y))
print(y.mean(),y.min(), y.max())
y.head()

<class 'pandas.core.series.Series'>
125.92810344827588 0.13 4111.45





0    329.92
1      0.42
2      5.90
3     14.03
4      2.78
Name: emp/sq km, dtype: float64

mapclassify.EqualInterval(y)

EqualInterval

     Interval        Count
--------------------------
[   0.13,  822.39] |    57
( 822.39, 1644.66] |     0
(1644.66, 2466.92] |     0
(2466.92, 3289.19] |     0
(3289.19, 4111.45] |     1

範例2

y = [1,2,3,4,5,6,7,8,9,0]
# 分為四個區間
mapclassify.JenksCaspall(y, k=4)

JenksCaspall

  Interval     Count
--------------------
[0.00, 2.00] |     3
(2.00, 4.00] |     2
(4.00, 6.00] |     2
(6.00, 9.00] |     3

範例3

y = [1,2,3,4,5,6,7,8,9,0]
# 自定義區間
mapclassify.UserDefined(y, bins=[5, 8, 9])

UserDefined

  Interval     Count
--------------------
[0.00, 5.00] |     6
(5.00, 8.00] |     3
(8.00, 9.00] |     1

範例4

import mapclassify 
import pandas
from numpy import linspace as lsp
demo = [lsp(3,8,num=10), lsp(10, 0, num=10), lsp(-5, 15, num=10)]
demo = pandas.DataFrame(demo).T
demo.head()

# 使用apply函數應用分層，rolling表示是否進行滑動視窗計算以消除隨機波動
demo.apply(mapclassify.Quantiles.make(rolling=True)).head()

2.2 繪圖範例之用於地圖的分層設色

方法1

GeoPandas中分層設色可以通過plot函數中的scheme引數和k引數設定資料分層方式和分層類別數。如下所示，通過JenksCaspall將GDP資料分為4級，可以直觀看到GDP資料在第一梯隊的城市有哪些。

fig, ax = plt.subplots(figsize=(9, 9))

# 使用分層設色後,legend_kwds要進行相應修改
data.plot(ax=ax,column='GDP', cmap='coolwarm', legend=True,scheme='JenksCaspall',k=4,legend_kwds={
                                                     'loc': 'lower left',
                                                     'title': 'GDP資料分級（億元）',
                                                 })
ax.axis('off')

# 設定
fontdict = {'family':'FZSongYi-Z13S', 'size':8, 'color': "black",'weight': 'bold'}

# 設定標題
ax.set_title('江蘇省地級市2022年GDP資料視覺化', fontsize=24) 
for index in data.index:
    x = data.iloc[index].geometry.centroid.x
    y = data.iloc[index].geometry.centroid.y
    name = data.iloc[index]["name"]
    if name in ["蘇州市","無錫市"]:
        x = x*1.001
    ax.text(x, y, name, ha="center", va="center", fontdict=fontdict)
# 儲存圖片
fig.savefig('res.png', dpi=300, bbox_inches='tight')

方法2

在GeoPandas中也可以通過mapclassify直接處理資料，生成新的資料列進行展示。通過該種方式可以看到，蘇州和南京的GDP領先於其他地級市。

# 建立分類器
classifier = mapclassify.HeadTailBreaks(data['GDP'])
classifier

HeadTailBreaks

      Interval         Count
----------------------------
[ 4005.00,  9473.76] |     8
( 9473.76, 15329.34] |     3
(15329.34, 20433.10] |     1
(20433.10, 23958.30] |     1

# 賦值資料
data['GDP_class'] = data['GDP'].apply(classifier)
data['GDP_class'] = data['GDP_class'].apply(lambda x : int(x))
data.head()

import matplotlib.colors as colors
fig, ax = plt.subplots(figsize=(9, 9))

# 設定分層顏色條
cmap = plt.cm.get_cmap('coolwarm', len(set(data['GDP_class'])))
# vmax和vmin設定是為了讓等級值居中
data.plot(ax=ax,column='GDP_class', cmap=cmap, legend=False,vmin=-0.5,vmax=3.5)
ax.axis('off')
# 設定Colorbar的刻度
cbar = ax.get_figure().colorbar(ax.collections[0],shrink=0.5)
cbar.set_ticks([0,1,2,3])
cbar.set_label('GDP資料分級')
cbar.set_ticklabels(['等級0','等級1','等級2','等級3'])
# 隱藏刻度線
ticks = cbar.ax.get_yaxis().get_major_ticks()
for tick in ticks:
    tick.tick1line.set_visible(False)
    tick.tick2line.set_visible(False)


# 設定
fontdict = {'family':'FZSongYi-Z13S', 'size':8, 'color': "black",'weight': 'bold'}

# 設定標題
ax.set_title('江蘇省地級市2022年GDP資料視覺化', fontsize=24) 
for index in data.index:
    x = data.iloc[index].geometry.centroid.x
    y = data.iloc[index].geometry.centroid.y
    name = data.iloc[index]["name"]
    if name in ["蘇州市","無錫市"]:
        x = x*1.001
    ax.text(x, y, name, ha="center", va="center", fontdict=fontdict)
# 儲存圖片
fig.savefig('res.png', dpi=300, bbox_inches='tight')

方法3

分層設色不僅可以設定各區域的顏色，也可以設定各區域的填充圖案

# 建立分類器
classifier = mapclassify.MaximumBreaks(data['GDP'], k=3)
classifier

MaximumBreaks

      Interval         Count
----------------------------
[ 4005.00, 13115.20] |    10
(13115.20, 20433.10] |     2
(20433.10, 23958.30] |     1

# 賦值資料
data['GDP_class'] = data['GDP'].apply(classifier)
data['GDP_class'] = data['GDP_class'].apply(lambda x : int(x))
data.head()

import matplotlib.patches as mpatches

# 設定圖案列表
patterns = ["///", "",  "*", "\\\\",".", "o",  "O",]
cmap = plt.cm.get_cmap('coolwarm', len(set(data['GDP_class'])))
color_list = cmap([0,1,2])
fig, ax = plt.subplots(figsize=(9, 9))
# 自定義圖示
legend_list = []

# 按層次設定legend
for i in set(data['GDP_class']):
    tmp = data[data['GDP_class']==i]
    tmp.plot(ax=ax,column='GDP_class', legend=False,hatch=patterns[i],edgecolor='black',color=color_list[i], linestyle='-',linewidth=2)
    legend_list.append(
        mpatches.Patch(facecolor=color_list[i], edgecolor='black',linestyle='-', linewidth=2,hatch=patterns[i], label='等級{}'.format(i))
    )
ax.axis('off')
# 設定標題
ax.set_title('江蘇省地級市2022年GDP資料視覺化', fontsize=24) 

# 自定義圖示
ax.legend(handles = legend_list, loc='best', fontsize=12, title='GDP資料分級', shadow=True)

# 儲存圖片
fig.savefig('res.png', dpi=300, bbox_inches='tight')

3 參考

• GeoPandas
• GeoPandas-doc
• [資料分析與視覺化] Python繪製資料地圖1-GeoPandas入門指北
• Chart visualization
• 基於geopandas的空間資料分析之基礎視覺化
• geopandas 中國地圖繪製
• mapclassify
• 基於geopandas的空間資料分析——深入淺出分層設色