利用Python計算空間局部自相關的方法

本篇內(nèi)容介紹了“利用Python計算空間局部自相關的方法”的有關知識，在實際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓小編帶領大家學習一下如何處理這些情況吧！希望大家仔細閱讀，能夠?qū)W有所成！

局部空間自相關

import esda  
import numpy as np
import pandas as pd
import libpysal as lps
import geopandas as gpd
import contextily as ctx
import matplotlib.pyplot as plt
from geopandas import GeoDataFrame
from shapely.geometry import Point
from pylab import figure, scatter, show
from splot.esda import moran_scatterplot
from esda.moran import Moran_Local
from splot.esda import plot_moran
from splot.esda import lisa_cluster
from splot.esda import plot_local_autocorrelation

%matplotlib inline

root_dir="/home/lighthouse/Learning/pysal/"

gdf = gpd.read_file(root_dir+'data/.shp') # 讀取數(shù)據(jù)

數(shù)據(jù)概況

gdf.columns.values  #字段名

array(['CODE', 'COUNT', 'SUM_AREA', 'FIRST_ANAM', 'OID_', 'CODE_1',
       'DATAFLAG', 'TOTPOP', 'TOTPOP_10K', 'RURPOP_10K', 'TOWNPOP_10',
       'AGRPRODUCT', 'AGRLBR_10K', 'AGRSTOTGDP', 'FSTGDPRATE',
       'SCNDGDPRAT', 'THRDGDPRAT', 'Province', 'geometry'], dtype=object)

gdf.head(1)

計算局部空間自相關LISA

• 第一產(chǎn)業(yè)占GDP比重FSTGDPRATE為變量

ax=gdf.plot(figsize=(8,8),column="FSTGDPRATE",scheme='Quantiles', k=5, cmap='GnBu', legend=True,)
ax.set_axis_off()

計算空間權重矩陣

• pysal中的局部自相關計算中，要求權重矩陣的每一個元素都有鄰接元素

y = gdf['FSTGDPRATE'].values
w = lps.weights.distance.Kernel.from_dataframe(gdf, fixed=False, k=15)
w.transform = 'r'

• Local Moral 計算

moran_loc = Moran_Local(y, w)

• Local Moral 散點圖

fig, ax = moran_scatterplot(moran_loc, p=0.05)
ax.set_xlabel('FSTGDPRATE')
ax.set_ylabel('Spatial Lag of FSTGDPRATE')
plt.show()

• 聚集區(qū)的空間分布

lisa_cluster(moran_loc, gdf, p=0.05, figsize = (9,9))
plt.show()

• 根據(jù)上圖結(jié)果可以看出，圖中西部為高值聚集區(qū)，東部為低值聚集區(qū)。高值聚集區(qū)的第一產(chǎn)業(yè)產(chǎn)值占比比較高，而低值聚集區(qū)的第一產(chǎn)業(yè)產(chǎn)值占比比較低，這可以反映出區(qū)域的經(jīng)濟發(fā)展水平的空間異質(zhì)性，區(qū)域發(fā)展不均衡。

• 繪制結(jié)果組合圖

plot_local_autocorrelation(moran_loc, gdf, 'FSTGDPRATE')
plt.show()

“利用Python計算空間局部自相關的方法”的內(nèi)容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業(yè)相關的知識可以關注億速云網(wǎng)站，小編將為大家輸出更多高質(zhì)量的實用文章！