iT邦幫忙

2019 iT 邦幫忙鐵人賽

DAY 8
0

前幾天我們也有利用Geopandas裡面包的matplotlib做一些基本的繪圖
GIS資料很常出現在日常生活的資訊視覺化,除了在資料工程上用在Data wrangling外,資料視覺化扮演著資訊發布的重任,GIS或是地圖的視覺化的學習與資源非常的多,今天我們以matplotlib,討論一下GIS資料視覺化的一些要素。

地圖投影的選擇

坐標、地圖投影是認識GIS資料的第一個課題,
前面幾天提到坐標轉換,大多時候我們必須要把不同坐標系統的資料轉到同一個系統,才能一起做資料分析及處理

在展示地圖時,也要面臨投影的問題
因為地球是近似橢圓,地圖的製作實際上是將全部或局部的地球投影在面上,
凡是投影都會有誤差,地圖上的投影會造成幾何的扭曲

使用matplotlib的basemap試著說明這些,
首先,繪製全球海岸線的圖
在產生basemap時,要先設定投影projection='merc',merc就是麥卡托投影

from mpl_toolkits.basemap import Basemap
import matplotlib.pyplot as plt
plt.figure(figsize=(16,8))
m = Basemap(projection='merc',urcrnrlat=80, llcrnrlat=-80,llcrnrlon=-180, urcrnrlon=180)  
m.drawcoastlines(color='#0066CC')

為了方便觀察,加入繪製經緯線

m.drawparallels(range(-90,91,30), color='#CCCCCC')
m.drawmeridians(range(-180,181,60), color='#CCCCCC')

為了理解投影的變形與誤差,我們可以在圖上繪製Tissot's Indicatrix(底索變形橢圓)
圓(橢圓)的變化代表的就是投影方法在不同區域造成的變形

# draw tissot's indicatrix to show distortion.
for y in np.linspace(m.ymax/20, 19*m.ymax/20, 9):
    for x in np.linspace(m.xmax/20, 19*m.xmax/20, 9):
        lon, lat = m(x,y,inverse=True)
        poly = m.tissot(lon, lat, 1.5, 100, facecolor='#2ca25f', zorder=10, alpha=0.6);

plt.show()

https://ithelp.ithome.com.tw/upload/images/20181023/201078167BSA1gFAFA.png

可以看到,在不同緯度,麥卡托投影對於全球不同地區有著不同程度的變形,
我們在呈現資料時,特別是大範圍的資料,變形是必須面對的,當然適度的變形也是滿美的。

關於投影,這邊提供另外一個例子,適用在南北極的極投影npstere(North-Polar Stereographic)

plt.figure(figsize=(16,8))
m = Basemap(projection='npstere',boundinglat=10,lon_0=270,resolution='l')
m.drawcoastlines()
m.drawparallels(np.arange(-80.,81.,20.))
m.drawmeridians(np.arange(-180.,181.,20.))

for y in np.linspace(m.ymax/20,19*m.ymax/20,10):
    for x in np.linspace(m.xmax/20,19*m.xmax/20,10):
        lon, lat = m(x,y,inverse=True)
        poly = m.tissot(lon,lat,2.5,100,\
                        facecolor='#2ca25f',zorder=10,alpha=0.5)
plt.show()

https://ithelp.ithome.com.tw/upload/images/20181023/20107816SLb9PfIb1o.png
接著是美國,以蘭伯特等方位投影(Lambert Azimuthal Equal Area)呈現

plt.figure(figsize=(16,8))
m = Basemap(width=5e6,height=3e6,projection='laea',boundinglat=10,
        resolution='c',lat_0=39, lon_0=-96)
m.drawcoastlines()
m.drawcountries()
m.drawstates()
plt.show()

https://ithelp.ithome.com.tw/upload/images/20181023/20107816TyoforStmo.png
如果改以蘭伯特投影呈現,會有不同的效果

plt.figure(figsize=(16,8))
plt.figure()
m = Basemap(
    llcrnrlon=-119,
    llcrnrlat=22,
    urcrnrlon=-64,
    urcrnrlat=49,
    projection='lcc',
    lat_1=39,
    lon_0=-98
   )
m.drawcoastlines()
m.drawcountries()
m.drawstates()
plt.show()

https://ithelp.ithome.com.tw/upload/images/20181023/20107816SBq0Cn8rBL.png

另外,其他比較常用到的投影包含:

由於各式投影要給的參數不同,今天只是簡單測試,關於如何選擇投影,可以參考
What is a Map Projection?有一些說明,適度暸解投影的特性,會讓資料視覺化更成功

顏色

資訊圖表的視覺化需考量視覺變數,顏色是視覺變數的其中一個項目,
Day06 其它資料聚合與geohash的geohash成果為例(以下代碼同第六天)

import geopandas as gpd
light=gpd.read_file('output/light.shp',encoding='utf-8')
light=light[light.is_valid]
light=light[light['district']=='永和區']
light.crs = {'init' :'epsg:3826'} # 避免資料沒設,這邊再重新給一次
light=light.to_crs(epsg=4326)

import geohash
light['geohash']=[geohash.encode(row['geometry'].y,row['geometry'].x, precision=7) for idx,row in light.iterrows()]

group=light.groupby('geohash')
group=group.size().reset_index(name='counts')

from shapely.geometry import Polygon
geohashs=[]
for idx,row in group.iterrows():
    decoded=geohash.bbox(row['geohash'])
    geohashs.append(Polygon([(decoded['s'], decoded['w']), (decoded['s'],decoded['e']), (decoded['n'], decoded['e']), (decoded['n'],decoded['w'])]))
g = gpd.GeoSeries(geohashs)

g_aggr = gpd.GeoDataFrame(group)
g_aggr['geometry']=g

這個資料我們想以counts上色,我們第六天的時候,一切設定都是default值

然而,我們其實可以控制一些繪圖的參數

第一個可以控制的是cmap顏色類型

g_aggr.plot('counts',cmap='YlGn', figsize=(12, 12))

https://ithelp.ithome.com.tw/upload/images/20181023/20107816A4wJs9kEA5.png
給另外一種顏色

g_aggr.plot('counts',cmap='PiYG', figsize=(12, 12))

https://ithelp.ithome.com.tw/upload/images/20181023/20107816rMz5HA1pda.png
顏色類型參考— Matplotlib 2.0.2 documentation

另外,還可以調整scheme,
包含了‘equal_interval’, ‘quantiles’ or ‘percentiles’,也就是顏色間隔的計算方式

g_aggr.plot('counts',cmap='PiYG', scheme = 'equal_interval', figsize=(12, 12))

https://ithelp.ithome.com.tw/upload/images/20181023/20107816UCmwfDSTME.png

還有k值,給定顏色的數量

g_aggr.plot('counts',cmap='PiYG', scheme = 'equal_interval',k=15, figsize=(12, 12))

https://ithelp.ithome.com.tw/upload/images/20181023/20107816ldtiBmFcNP.png

除了今天舉的例子,還可以進一步透過matplotlib的方法客製化顏色及符號,讓整體資訊呈現更有效

參考資料

oreilly-matplotlib-course/07 - Mapping in matplotlib at master · croach/oreilly-matplotlib-course · GitHub

今天的相關測試可以參考GitHub


上一篇
Day07 進階幾何資料處理
下一篇
Day09 使用GeoPlot
系列文
30天精通GIS資料分析-使用Python30

尚未有邦友留言

立即登入留言