Python怎么實現(xiàn)數(shù)據(jù)可視化分析38個城市的居住自由指數(shù)

這篇文章主要介紹“Python怎么實現(xiàn)數(shù)據(jù)可視化分析38個城市的居住自由指數(shù)”，在日常操作中，相信很多人在Python怎么實現(xiàn)數(shù)據(jù)可視化分析38個城市的居住自由指數(shù)問題上存在疑惑，小編查閱了各式資料，整理出簡單好用的操作方法，希望對大家解答”Python怎么實現(xiàn)數(shù)據(jù)可視化分析38個城市的居住自由指數(shù)”的疑惑有所幫助！接下來，請跟著小編一起來學(xué)習(xí)吧！

1 簡介

而在這個報告中有幾張數(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)刻過程

2.1 觀察原作品

其實原作品咋一看上去有點(diǎn)復(fù)雜，但經(jīng)過觀察，將原始圖片主要元素拆分成幾個部分來構(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)購房自由指數(shù)高于租房自由指數(shù)時對應(yīng)的顏色為淺藍(lán)綠色，而反過來則變?yōu)榛疑?，與購房自由指數(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)，再配合簡單的經(jīng)緯度相關(guān)知識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。

譬如按照這個思路來創(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，對應(yīng)的5條緯度線和對應(yīng)38個城市的經(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中文亂碼問題
plt.rcParams['axes.unicode_minus'] = False # 解決matplotlib負(fù)號顯示問題
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)則來偽造示例數(shù)據(jù)，并對偽造過程中的不合理數(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()

接下來我們就來為每個指標(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')

# 購房自由指數(shù)對應(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['購房自由指數(shù)_映射值'])])]}, 
    crs='EPSG:4326')

# 購房自由指數(shù)對應(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['購房自由指數(shù)_映射值'])]}, crs='EPSG:4326')


# 租房自由指數(shù)對應(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怎么實現(xiàn)數(shù)據(jù)可視化分析38個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，請繼續(xù)關(guān)注億速云網(wǎng)站，小編會繼續(xù)努力為大家?guī)砀鄬嵱玫奈恼拢?/p>