10 行 Python 代码创建可视化地图 - 技术翻译 - 开源中国社区
10 行 Python 代码创建可视化地图
【已翻译100%】
英文原文：
推荐于 5年前 (共 4 段, 翻译完成于 05-07)
参与翻译&(2人)&: ,
import vincent
world_countries = r'world-countries.json'
world = vincent.Map(width=1200, height=1000)
world.geo_data(projection='winkel3', scale=200, world=world_countries)
world.to_json(path)
当我开始建造时, 我的一个目的就是使得地图的建造尽可能合理化. 有一些很棒的python地图库-参见&和&能让地图更有意思. 我强烈推荐这两个工具, 因为他们都很好用而且很强大. 我想有更简单一些的工具,能依靠的力量并且允许简单的语法点到geoJSON文件,详细描述一个投影和大小/比列,最后输出地图.
&翻译得不错哦！
例如, 将地图数据分层来建立更复杂的地图:
vis = vincent.Map(width=1000, height=800)
#Add the US county data and a new line color
vis.geo_data(projection='albersUsa', scale=1000, counties=county_geo)
vis + ('2B4ECF', 'marks', 0, 'properties', 'enter', 'stroke', 'value')
#Add the state data, remove the fill, write Vega spec output to JSON
vis.geo_data(states=state_geo)
vis - ('fill', 'marks', 1, 'properties', 'enter')
vis.to_json(path)
加之,等值线地图需绑定Pandas数据,需要数据列直接映射到地图要素.假设有一个从geoJSON到列数据的1:1映射,它的语法是非常简单的:
#'merged' is the Pandas DataFrame
vis = vincent.Map(width=1000, height=800)
vis.tabular_data(merged, columns=['FIPS_Code', 'Unemployment_rate_2011'])
vis.geo_data(projection='albersUsa', scale=1000, bind_data='data.id', counties=county_geo)
vis + (["#f5f5f5","#000045"], 'scales', 0, 'range')
vis.to_json(path)
&翻译得不错哦！
我们的数据并非没有争议无需改造——用户需要确保 geoJSON 键与熊猫数据框架之间具有1:1的映射。下面就是之前实例所需的简明的数据框架映射：我们的国家信息是一个列有 码、国家名称、以及经济信息（列名省略）的 CSV 文件：
00000,US,United States,02,100
01000,AL,Alabama,,9,
01001,AL,Autauga County,,63,117.9
01003,AL,Baldwin County,,,
01005,AL,Barbour County,10,11.4,
在 geoJSON 中，我们的国家形状是以 FIPS 码为id 的（感谢 fork 自
的相关信息）。为了简便，实际形状已经做了简略，在可以找到完整的数据集：
{"type":"FeatureCollection","features":[
{"type":"Feature","id":"1001","properties":{"name":"Autauga"}
{"type":"Feature","id":"1003","properties":{"name":"Baldwin"}
{"type":"Feature","id":"1005","properties":{"name":"Barbour"}
{"type":"Feature","id":"1007","properties":{"name":"Bibb"}
{"type":"Feature","id":"1009","properties":{"name":"Blount"}
{"type":"Feature","id":"1011","properties":{"name":"Bullock"}
{"type":"Feature","id":"1013","properties":{"name":"Butler"}
{"type":"Feature","id":"1015","properties":{"name":"Calhoun"}
{"type":"Feature","id":"1017","properties":{"name":"Chambers"}
{"type":"Feature","id":"1019","properties":{"name":"Cherokee"}
我们需要匹配 FIPS 码，确保匹配正确，否则 Vega 无法正确的压缩数据：
import json
import pandas as pd
#Map the county codes we have in our geometry to those in the
#county_data file, which contains additional rows we don't need
with open(county_geo, 'r') as f:
get_id = json.load(f)
#Grab the FIPS codes and load them into a dataframe
county_codes = [x['id'] for x in get_id['features']]
county_df = pd.DataFrame({'FIPS_Code': county_codes}, dtype=str)
#Read into Dataframe, cast to string for consistency
df = pd.read_csv(county_data, na_values=[' '])
df['FIPS_Code'] = df['FIPS_Code'].astype(str)
#Perform an inner join, pad NA's with data from nearest county
merged = pd.merge(df, county_df, on='FIPS_Code', how='inner')
merged = merged.fillna(method='pad')
&&&merged.head()
FIPS_Code State
Civilian_labor_force_2011
Employed_2011
Autauga County
Baldwin County
Barbour County
Bibb County
Blount County
Unemployed_2011
Unemployment_rate_2011
Median_Household_Income_2011
Med_HH_Income_Percent_of_StateTotal_2011
现在，我们可以快速生成不同的等值线：
vis.tabular_data(merged, columns=['FIPS_Code', 'Civilian_labor_force_2011'])
vis.to_json(path)
&翻译得不错哦！
这只能告诉我们 LA 和 King 面积非常大，人口非常稠密。让我们再看看中等家庭收入：
vis.tabular_data(merged, columns=['FIPS_Code', 'Median_Household_Income_2011'])
vis.to_json(path)
明显很多高收入区域在东海岸或是其他高密度区域。我敢打赌，在城市层级这将更加有趣，但这需要等以后发布的版本。让我们快速重置地图，再看看国家失业率：
#Swap county data for state data, reset map
state_data = pd.read_csv(state_unemployment)
vis.tabular_data(state_data, columns=['State', 'Unemployment'])
vis.geo_data(bind_data='data.id', reset=True, states=state_geo)
vis.update_map(scale=1000, projection='albersUsa')
vis + (['#c9cedb', '#0b0d11'], 'scales', 0, 'range')
vis.to_json(path)
地图即是我的激情所在——我希望 Vincent 能够更强，包含轻松的添加点、标记及其它的能力。如果各位读者对于映射方面有什么功能上的需求，可以在上给我发问题。
&翻译得不错哦！
我们的翻译工作遵照 ，如果我们的工作有侵犯到您的权益，请及时联系我们用Python画了一个中国地图，你敢信？_优就业吧_百度贴吧
&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&签到排名：今日本吧第个签到，本吧因你更精彩，明天继续来努力！
本吧签到人数：0可签7级以上的吧50个
本月漏签0次！成为超级会员，赠送8张补签卡连续签到：天&&累计签到：天超级会员单次开通12个月以上，赠送连续签到卡3张
关注：859贴子：
用Python画了一个中国地图，你敢信？
火星时代实训基地_A股上市企业,全国13家教学中心,30种线上线下艺术设计课程.行业大神级教师团队,只为帮你实现艺术梦!打造值得信赖的数字艺术教育品牌!
为什么是Python先来聊聊为什么做数据分析一定要用Python或R语言。编程语言这么多种，Java, PHP都很成熟，但是为什么在最近热火的数据分析领域，很多人选择用Python语言？数据分析只是一个需求，理论上来讲，任何语言都可以满足任何需求，只是麻烦与简易之别。Python这门语言诞生也相当之早，它的第一个版本是26年前发表的，曾经（或者说当前）也被用于web开发，但是就流行程度来说，远远干不过Java和PHP。东方不亮西方亮，在与Java干仗失败的这20几年时光里，Python练就了一身独门武艺，是Java和PHP远远不及的（当然以后是不是能追得上来，目前还不好说）。你要说做个博客网站，Python的特长不在这里，PHP和Java也是分分钟的事情。你要说做个BBS网站，做个电商网站，PHP手到擒来。Python在这些方面和Java或者PHP竞争，基本就是作死的节奏，虽然也有django这样的框架，但流行程度远远不及其他语言。但在这些年默默的失败背后，有一帮研究人员用Python干出了一些惊天地泣鬼神的神器，使Python在数据研究领域做到了除了R语言以外基本无人能及的地步。Jupyter首先，第一神器是Jupyter。如果你是第一次使用，可能搞不清楚它的开发者做这么个鬼东西出来干什么，说它是博客系统也不像，说它是web服务器也不像，但它就是有用。因为我们传统的web开发首先想的就是面向公众，你做一个服务器就是要服务成千上万浏览器的，当然Jupyter也可以服务众多浏览器，但它更多的还是方便研究人员，对研究人员来说简直是太方便了，你把代码像写文章一样直接写在输入框里，然后在本页面直接就看到了这个代码的结果，随时修改，随时展现，文码混排，是Markdown的一个增强版，毕竟Markdown还只能显示文字，最多再加上一些图片，而Jupyter是可以直接运行Python代码的。当然，也有些人试图在Jupyter里运行PHP或Java代码，但显然成不了气候。因为Python这个语言天生就是脚本语言，可能将来唯一有希望往里移植的就是Javascript，这货也是一个脚本语言。脚本语言的好处就是不用编译，一行一个结果。纵观计算机语言发展历史，就是一个从繁到简的过程，C语言需要编译+链接才能运行，Java只要javac一下，把编译和链接合二为一，PHP更简单，直接运行就行了，连编译都省了。但是还不够直接，因为还要编写一个.php文件存盘，然后才能运行，到了Python以及其它脚本语言这里，可以直接在壳里运行，但最大的问题是运行可以运行，无法保存，要保存就又要跟传统方式一样，找个编辑器来，或者vi，存成文件以后才可以运行。Jupyter最大的优点就是：它本身还是一个外壳环境，可以运行脚本，但同时也帮你自动把这些脚本代码保存了下来，不但保存脚本代码，并且你插在脚本代码当中的所有注释不是普通注释，而是各种格式化的Markdown都一并帮你保存下来，并且可以随时修改。所以它兼具了脚本外壳和文件管理系统的优点，从此你开发Python代码再也不用先在IDE里写好代码，然后再到终端里去运行，而直接在一个web页面上就全部搞定了。Java有这样的工具吗？PHP有这样的工具吗？没有，所以我们必须选择Python。Pandas第二神器是Pandas。如果我让你读取一个csv文件，然后求每一列数据的平均值，最大值，最小值，方差，用Java或PHP怎么做？你首先要fopen一个文件，然后一行一行读进来，再给它整个数据结构，然后弄个循环计算，最后你可能还要fclose这个文件。总之代码一坨，麻烦死。而Python语言因为有Pandas这个神器，一行代码搞定：df = pd.read_csv('a.csv')行了，从此以后，df就是这个DataFrame，它本身就是一个强大的数据结构，也可以把它理解成mysql数据库中的一张表吧，各种增删改查，求总和，求平均都是一行代码的事情。所以有这样强大的库，研究人员有什么理由选择Java？scikit-learn第三神器scikit-learn，一般缩写为sclearn，各种机器学习算法，基本上只要你能想得到的，线性回归，逻辑回归，SVM，随机森林，最近邻居等等等等，各种算法全部在这里面，简而言之，只有你想不到，没有它做不到，不详述。所以这就是为什么玩机器学习必选Python的原因，你给我找一个Java或者PHP有这样多种算法的库来？matplotlib第四神器是matplotlib。如果我让你根据上面csv文件里的信息，画一个图，用Java该怎么做？你当然会去找第三方插件库，然后又是一通折腾，终于把图做出来，然后编译，然后运行。如果我要改配色呢？如果我要求画地图呢？如果要画热力图呢？那个麻烦就不是一星半点，而对于matplotlib来说，简直就是小菜一碟。简单的直方图就不说了，下面重点介绍如何用matplotlib配合Basemap画一个中国地图。安装Basemap先安装相应的组件。我假定你已经都安装好了Python以及Jupyter等等。如果没有安装的话，就去尝试一下brew install python3和brew install jupyter吧，网上有很多教程。然后你需要用pip3 install很多我们下面可能需要用到的库。但是因为我们要用一个叫做Basemap的库，而这个库没有办法用简单的pip3 install安装，所以稍多两个步骤：brew install geospip3 install 开始画图启动Jupyter之后，我们还是本着从最简单的代码开始。先画一个世界地图：import matplotlib.pyplot as pltfrom mpl_toolkits.basemap import Basemapplt.figure(figsize=(16,8))m = Basemap()m.drawcoastlines()plt.show()前面两行引入相应的库，真正的代码就4行，够简单吧。第1行甚至可以不写，它定义了图的大小。第2行我们创建一个地图，第3行把海岸线画上，第4行显示这个地图，就是这样：你用Java的4行代码画一个地图出来？然后我们开始画上国家，又是1行代码：m.drawcountries(linewidth=1.5)就变成了这样：用Java可能吗？用PHP可能吗？如果我们想显示中国地图，只需要在创建Basemap时指定一下经纬度就行了：m = Basemap(llcrnrlon=73, llcrnrlat=18, urcrnrlon=135, urcrnrlat=53)然后就得到了中国地图：看上去有点变形，这是因为我们没有添加任何投影的原因，Basemap提供24种不同的投影方式，你可以自己一个个试一下，比较常用的是兰勃特投影，我们添加一下：m = Basemap(llcrnrlon=77, llcrnrlat=14, urcrnrlon=140, urcrnrlat=51, projection='lcc', lat_1=33, lat_2=45, lon_0=100)这次终于看上去比较正常了：我们想加上省的边界怎么办呢？Basemap缺省的包里没有中国的省区，只有美国的州，毕竟是美国人做的嘛。不过好在世界很大，有专门的国际组织干这事，在这里你可以下载全世界任何一个国家的行政区划Shape文件，然后我们给它加上：m.readshapefile(‘CHN_adm_shp/CHN_adm1’, ‘states’, drawbounds=True)然后就得到了下图：再往后，你还可以往图上改颜色啦，写数字啦，这些就留待你研究吧。总之，我想说的是，用Python画地图真的超容易。
贴吧热议榜
使用签名档&&
保存至快速回贴<div cl=cl
您当前的位置： &
&【新年快乐，跨年文章】Python+百度API 画出美美哒热力地图（代码+数据）
您可能感兴趣的学校
￥13698.70
￥14620.00
相关行业新闻
【新年快乐，跨年文章】Python+百度API 画出美美哒热力地图（代码+数据）
明天就是2018年了，现在是晚上22:22，我是不是很2
周围的人都在跨年刷朋友圈
我一个人在办公室默默打开博客
准备写一篇文章为2017画下句点
之前在写葡萄酒数据分析那篇文章时
曾想过做一个葡萄酒分布的地区热力图
当时也没有搞定
在写完那篇文章之后
在网上查阅了很多技术博客
结合自己的摸索实践
摸索了一下午
终于完成了
当时真的很开心
可能就和正在跨年的你们一样开心吧
在国家统计局网站copy到2015年各城市的房地产开发投资额数据：
把数据保存在本地，存成csv格式
百度API免费申请
注册好，按照下图操作：
点击& 功能与服务----地图
点击创建应用：
然后自己取个名字，选择浏览器端，白名单输入星号：
你就有了一个应用了
城市转换为经纬度
我们打开百度地图的开放平台
在左侧找到添加热力图-----点击运行-----点击显示热力图-----就能看到热力图啦~
这是百度API所能提供的热力图类型
我们注意到所给的这段代码：
我们将您的密钥换成刚才我们申请得到的那串数字
然后在本地新建一个.html文件（可以通过创建文本文件，然后将后缀改为.html达到，如果你的文本文件不显示后缀，请百度解决~）
我们将加入了自己申请的密钥的网页代码全部复制下，粘贴到本地创建的 .html 文件中
复制的代码中的示例热力图的位置不是我们想要的
我们想要的是我们的数据生成热力图
打开Python
import json
from urllib.request import urlopen, quote
import requests,csv
import pandas as pd #导入这些库后边都要用到
def getlnglat(address): & & &output = 'json'
& &ak = '替换成你申请的密钥！！！'
& &add = quote(address) #由于本文城市变量为中文，为防止乱码，先用quote进行编码
& &uri = url + '?' + 'address=' + add &+ '&output=' + output + '&ak=' + ak
& &req = urlopen(uri)
& &res = req.read().decode() #将其他编码的字符串解码成unicode
& &temp = json.loads(res) #对json数据进行解析
& &return temp
file = open(r'E:\房地产开发投资额2015.json','w') #建立json数据文件
with open(r'E:\房地产开发投资额2015.csv', 'r') as csvfile: #打开csv
& &reader = csv.reader(csvfile)
& &for line in reader: #读取csv里的数据
& & & &# 忽略第一行
& & & &if reader.line_num == 1: #由于第一行为变量名称，故忽略掉
& & & & & &continue
& & & & & &# line是个list，取得所有需要的值
& & & &b = line[0].strip() #将第一列city读取出来并清除不需要字符
& & & &c = line[1].strip()#将第二列price读取出来并清除不需要字符
& & & &lng = getlnglat(b)['result']['location']['lng'] #采用构造的函数来获取经度
& & & &lat = getlnglat(b)['result']['location']['lat'] #获取纬度
& & & &str_temp = '{"lat":' + str(lat) + ',"lng":' + str(lng) + ',"count":' + str(c) +'},'
& & & &#print(str_temp) #也可以通过打印出来，把数据copy到百度热力地图api的相应位置上
& & & &file.write(str_temp) #写入文档
file.close() #保存
运行完成之后，本地会出现一个json文件
打开可以看到：
是一长串json数据，我们全选这些数据，复制替换掉本地的html文件中的var经纬度部分
原本是这样的：
替换完成后是这样的：
（我是用notepad++以编辑的方式打开的本地html文件）
保存之后，以网页浏览的方式打开本地的html
使用鼠标滚轮放大缩小到可以看见全国视野，然后点击左下角显示热力图即可看到~
你出现的图是这样的：
因为原始数据默认为20和100，只要超过100的值显示都一样，而且没有渐变辐射的效果
可以修改热力点辐射半径（辐射范围大小）和最大值
我们数据的price最大是北京的4177，所以我设置为4000，保存
再次打开操作就能看到美美哒热力图啦~
你可以拿这个方法去做其他热力图啦~比如房价热力图，GDP热力图等等~
已经是2018年了，这文章写了一年
去年可以祝大家& 鸡年大吉吧
今年狗年啊，祝大家....
温馨提示：
1、未经教头网明确许可，任何网站不得非法盗链及抄袭本站资源；如您引用教头网页面或资源，请注明来源于教头网，谢谢合作！
2、如果您也从事教育，并希望被教头网报道，请发邮件到
告诉我们。
优惠价：￥17800
优惠价：￥9880
优惠价：￥4480
优惠价：￥5300Sina Visitor System在 SegmentFault，学习技能、解决问题
每个月，我们帮助 1000 万的开发者解决各种各样的技术问题。并助力他们在技术能力、职业生涯、影响力上获得提升。
点击阅读原文
博主这篇文章的语气总让我想到电视购物的广告。。。
博主这篇文章的语气总让我想到电视购物的广告。。。
我要该，理由是：
关闭理由：
删除理由：
忽略理由：
推广（招聘、广告、SEO 等）方面的内容
与已有问题重复（请编辑该提问指向已有相同问题）
答非所问，不符合答题要求
宜作评论而非答案
带有人身攻击、辱骂、仇恨等违反条款的内容
无法获得确切结果的问题
非开发直接相关的问题
非技术提问的讨论型问题
其他原因（请补充说明）}