建站
咨詢
售后
建站咨詢
新聞中心
這篇文章主要介紹“Python怎么實(shí)現(xiàn)數(shù)據(jù)可視化分析38個(gè)城市的居住自由指數(shù)”，在日常操作中，相信很多人在Python怎么實(shí)現(xiàn)數(shù)據(jù)可視化分析38個(gè)城市的居住自由指數(shù)問(wèn)題上存在疑惑，小編查閱了各式資料，整理出簡(jiǎn)單好用的操作方法，希望對(duì)大家解答”P(pán)ython怎么實(shí)現(xiàn)數(shù)據(jù)可視化分析38個(gè)城市的居住自由指數(shù)”的疑惑有所幫助！接下來(lái)，請(qǐng)跟著小編一起來(lái)學(xué)習(xí)吧！
創(chuàng)新互聯(lián)自2013年創(chuàng)立以來(lái)，是專業(yè)互聯(lián)網(wǎng)技術(shù)服務(wù)公司，擁有項(xiàng)目成都網(wǎng)站制作、成都網(wǎng)站設(shè)計(jì)網(wǎng)站策劃，項(xiàng)目實(shí)施與項(xiàng)目整合能力。我們以讓每一個(gè)夢(mèng)想脫穎而出為使命，1280元堆龍德慶做網(wǎng)站,已為上家服務(wù),為堆龍德慶各地企業(yè)和個(gè)人服務(wù),聯(lián)系電話:13518219792
1 簡(jiǎn)介
而在這個(gè)報(bào)告中有幾張數(shù)據(jù)可視化作品還是比較可圈可點(diǎn)的，作為（在模仿中精進(jìn)數(shù)據(jù)可視化）系列文章的開(kāi)篇之作，我將基于我觀察原始數(shù)據(jù)可視化作品進(jìn)而構(gòu)思出的方式，以純Python的方式模仿復(fù)刻。
2 復(fù)刻過(guò)程
2.1 觀察原作品
其實(shí)原作品咋一看上去有點(diǎn)復(fù)雜，但經(jīng)過(guò)觀察，將原始圖片主要元素拆分成幾個(gè)部分來(lái)構(gòu)思復(fù)現(xiàn)方式，還是不算復(fù)雜的，我總結(jié)為以下幾部分：
「1 坐標(biāo)系部分」
稍微懂點(diǎn)數(shù)據(jù)可視化的人應(yīng)該都可以看出原作品的坐標(biāo)不是常規(guī)的笛卡爾坐標(biāo)系，而是極坐標(biāo)系，這里復(fù)現(xiàn)原作品極坐標(biāo)系的難點(diǎn)在于，其并不是完整的極坐標(biāo)系，即左邊略小于半圓的區(qū)域是隱藏了參考線的。
因此與其在matplotlib中極坐標(biāo)系的基礎(chǔ)上想方法隱藏部分參考線，不如逆向思維，從構(gòu)造參考線的角度出發(fā)，自己組織構(gòu)造參考線，會(huì)更加的自由和靈活。
「2 顏色填充」
這里的「顏色填充」指的是以居住自由指數(shù)折線為中線，在購(gòu)房自由指數(shù)折線與租房自由指數(shù)折線之間的顏色填充區(qū)域，但困難的是這里當(dāng)購(gòu)房自由指數(shù)高于租房自由指數(shù)時(shí)對(duì)應(yīng)的顏色為淺藍(lán)綠色，而反過(guò)來(lái)則變?yōu)榛疑c購(gòu)房自由指數(shù)、租房自由指數(shù)的顏色相呼應(yīng)。
我們只需要設(shè)定中心點(diǎn)參數(shù)在南極點(diǎn)或北極點(diǎn)，再配合簡(jiǎn)單的經(jīng)緯度相關(guān)知識(shí)就可以偽造出任意的經(jīng)緯線，再利用geopandas中的投影變換向設(shè)定好的「正射投影」進(jìn)行轉(zhuǎn)換，再作為平面坐標(biāo)進(jìn)行繪圖即可。
譬如按照這個(gè)思路來(lái)創(chuàng)建東經(jīng)10度到東經(jīng)220度之間，以及南緯-90度到-80度之間，對(duì)應(yīng)的5條緯度線和對(duì)應(yīng)38個(gè)城市的經(jīng)線：
import geopandas as gpd
from shapely.geometry import LineString, Point, Polygon
import matplotlib.pyplot as plt
import numpy as np
import warnings
plt.rcParams['font.sans-serif'] = ['SimHei'] # 解決matplotlib中文亂碼問(wèn)題
plt.rcParams['axes.unicode_minus'] = False # 解決matplotlib負(fù)號(hào)顯示問(wèn)題
warnings.filterwarnings('ignore')
# 設(shè)置中心點(diǎn)在南極點(diǎn)的正射投影
crs = '+proj=ortho +lon_0=0 +lat_0=-90'
# 構(gòu)建經(jīng)度線并設(shè)置對(duì)應(yīng)經(jīng)緯度的地理坐標(biāo)系
lng_lines = gpd.GeoDataFrame({
'geometry': [LineString([[lng, -90], [lng, -78]]) for lng in np.arange(10, 220, 210 / 38)]},
crs='EPSG:4326')
# 構(gòu)建緯度線并設(shè)置為對(duì)應(yīng)經(jīng)緯度的地理坐標(biāo)系
lat_lines = gpd.GeoDataFrame({
'geometry': [LineString([[lng, lat] for lng in range(10, 220)]) for lat in range(-90, -79, 2)]},
crs='EPSG:4326')構(gòu)造好數(shù)據(jù)之后，將經(jīng)線與緯線對(duì)應(yīng)的GeoDataFrame轉(zhuǎn)換到設(shè)置好的「正射投影」crs上，再作為不同圖層進(jìn)行疊加繪制：
按照前面推斷出的規(guī)則來(lái)偽造示例數(shù)據(jù)，并對(duì)偽造過(guò)程中的不合理數(shù)據(jù)進(jìn)行修正：
def fake_index(value): fake = [] fake.append(value+np.random.uniform(5, 10)) fake.append(value-np.random.uniform(5, 10)) return np.random.choice(fake, size=2, replace=False).tolist() data['購(gòu)房自由指數(shù)'], data['租房自由指數(shù)'] = list(zip(*data['居住自由指數(shù)'].apply(fake_index))) # 修正偽造數(shù)據(jù)中大于100和小于0的情況 data.loc[:, '居住自由指數(shù)':] = data.loc[:, '居住自由指數(shù)':].applymap(lambda v: 100 if v > 100 else v) data.loc[:, '居住自由指數(shù)':] = data.loc[:, '居住自由指數(shù)':].applymap(lambda v: 0 if v < 0 else v) data.head()
接下來(lái)我們就來(lái)為每個(gè)指標(biāo)構(gòu)造線與散點(diǎn)部分的矢量數(shù)據(jù)，并在統(tǒng)一轉(zhuǎn)換坐標(biāo)參考系到「正射投影」之后疊加到之前的圖像上：
# 為每個(gè)城市生成1條經(jīng)線
lng_lines = gpd.GeoDataFrame({
'geometry': [LineString([[lng, -90], [lng, -78]]) for lng in np.arange(10, 220, 210 / data.shape[0])]},
crs='EPSG:4326')
# 居住自由指數(shù)對(duì)應(yīng)的折線
line1 = gpd.GeoDataFrame({
'geometry': [LineString([(lng, lat) for lng, lat in zip(np.arange(10, 220, 210 / data.shape[0]),
data['居住自由指數(shù)_映射值'])])]},
crs='EPSG:4326')
# 居住自由指數(shù)對(duì)應(yīng)的折線上的散點(diǎn)
scatter1 = gpd.GeoDataFrame({
'geometry': [Point(lng, lat) for lng, lat in zip(np.arange(10, 220, 210 / data.shape[0]),
data['居住自由指數(shù)_映射值'])]}, crs='EPSG:4326')
# 購(gòu)房自由指數(shù)對(duì)應(yīng)的折線
line2 = gpd.GeoDataFrame({
'geometry': [LineString([(lng, lat) for lng, lat in zip(np.arange(10, 220, 210 / data.shape[0]),
data['購(gòu)房自由指數(shù)_映射值'])])]},
crs='EPSG:4326')
# 購(gòu)房自由指數(shù)對(duì)應(yīng)的折線上的散點(diǎn)
scatter2 = gpd.GeoDataFrame({
'geometry': [Point(lng, lat) for lng, lat in zip(np.arange(10, 220, 210 / data.shape[0]),
data['購(gòu)房自由指數(shù)_映射值'])]}, crs='EPSG:4326')
# 租房自由指數(shù)對(duì)應(yīng)的折線
line3 = gpd.GeoDataFrame({
'geometry': [LineString([(lng, lat) for lng, lat in zip(np.arange(10, 220, 210 / data.shape[0]),
data['租房自由指數(shù)_映射值'])])]},
crs='EPSG:4326')
# 租房自由指數(shù)對(duì)應(yīng)的折線上的散點(diǎn)
scatter3 = gpd.GeoDataFrame({
'geometry': [Point(lng, lat) for lng, lat in zip(np.arange(10, 220, 210 / data.shape[0]),
data['租房自由指數(shù)_映射值'])]}, crs='EPSG:4326')
fig, ax = plt.subplots(figsize=(8, 8))
# 繪制經(jīng)度線與緯度線
ax = lng_lines.to_crs(crs).plot(ax=ax, linewidth=0.4, edgecolor='lightgrey')
ax = lat_lines.to_crs(crs).plot(ax=ax, linewidth=0.75, edgecolor='grey', alpha=0.8)
ax = line1.to_crs(crs).plot(ax=ax, color='black', linewidth=1)
ax = scatter1.to_crs(crs).plot(ax=ax, color='black', markersize=12)
ax = line2.to_crs(crs).plot(ax=ax, color='#00CED1', linewidth=0.6)
ax = scatter2.to_crs(crs).plot(ax=ax, color='#00CED1', markersize=4)
ax = line3.to_crs(crs).plot(ax=ax, color='lightgrey', linewidth=0.6)
ax = scatter3.to_crs(crs).plot(ax=ax, color='lightgrey', markersize=4)
ax.axis('off'); # 關(guān)閉坐標(biāo)軸
fig.savefig('圖11.png', dpi=500, inches_bbox='tight', inches_pad=0)
那么接下來(lái)我們要做的事就so easy了，只需要分別得到兩者去除重疊面后，剩余的部分，以對(duì)應(yīng)的填充色彩疊加繪制在圖11的圖像上就可以啦~，利用geopandas中的difference即可輕松實(shí)現(xiàn)：
fig, ax = plt.subplots(figsize=(8, 8))
# 繪制經(jīng)度線與緯度線
ax = lng_lines.to_crs(crs).plot(ax=ax, linewidth=0.4, edgecolor='lightgrey')
ax = lat_lines.to_crs(crs).plot(ax=ax, linewidth=0.75, edgecolor='grey', alpha=0.8)
ax = line1.to_crs(crs).plot(ax=ax, color='black', linewidth=1)
ax = scatter1.to_crs(crs).plot(ax=ax, color='black', markersize=12)
ax = line2.to_crs(crs).plot(ax=ax, color='#00CED1', linewidth=0.6)
ax = scatter2.to_crs(crs).plot(ax=ax, color='#00CED1', markersize=4)
ax = line3.to_crs(crs).plot(ax=ax, color='lightgrey', linewidth=0.6)
ax = scatter3.to_crs(crs).plot(ax=ax, color='lightgrey', markersize=4)
ax = polygon1.difference(polygon2).plot(ax=ax, color='#00CED1', alpha=0.2)
polygon2.difference(polygon1).plot(ax=ax, color='lightgrey', alpha=0.6)
ax.axis('off'); # 關(guān)閉坐標(biāo)軸
fig.savefig('圖13.png', dpi=500, inches_bbox='tight', inches_pad=0)
到此，關(guān)于“Python怎么實(shí)現(xiàn)數(shù)據(jù)可視化分析38個(gè)城市的居住自由指數(shù)”的學(xué)習(xí)就結(jié)束了，希望能夠解決大家的疑惑。理論與實(shí)踐的搭配能更好的幫助大家學(xué)習(xí)，快去試試吧！若想繼續(xù)學(xué)習(xí)更多相關(guān)知識(shí)，請(qǐng)繼續(xù)關(guān)注創(chuàng)新互聯(lián)網(wǎng)站，小編會(huì)繼續(xù)努力為大家?guī)?lái)更多實(shí)用的文章！
當(dāng)前文章：Python怎么實(shí)現(xiàn)數(shù)據(jù)可視化分析38個(gè)城市的居住自由指數(shù)
路徑分享：http://www.ef60e0e.cn/article/gjocde.html
