Python怎么實現數據可視化分析38個城市的居住自由指數

這篇文章主要介紹“Python怎么實現數據可視化分析38個城市的居住自由指數”，在日常操作中，相信很多人在Python怎么實現數據可視化分析38個城市的居住自由指數問題上存在疑惑，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怎么實現數據可視化分析38個城市的居住自由指數”的疑惑有所幫助！接下來，請跟著小編一起來學習吧！

創新互聯自2013年創立以來，是專業互聯網技術服務公司，擁有項目成都網站制作、成都網站設計網站策劃，項目實施與項目整合能力。我們以讓每一個夢想脫穎而出為使命，1280元堆龍德慶做網站,已為上家服務,為堆龍德慶各地企業和個人服務,聯系電話:13518219792

1 簡介

而在這個報告中有幾張數據可視化作品還是比較可圈可點的，作為（在模仿中精進數據可視化）系列文章的開篇之作，我將基于我觀察原始數據可視化作品進而構思出的方式，以純Python的方式模仿復刻。

2 復刻過程

2.1 觀察原作品

其實原作品咋一看上去有點復雜，但經過觀察，將原始圖片主要元素拆分成幾個部分來構思復現方式，還是不算復雜的，我總結為以下幾部分：

「1 坐標系部分」

稍微懂點數據可視化的人應該都可以看出原作品的坐標不是常規的笛卡爾坐標系，而是極坐標系，這里復現原作品極坐標系的難點在于，其并不是完整的極坐標系，即左邊略小于半圓的區域是隱藏了參考線的。

因此與其在matplotlib中極坐標系的基礎上想方法隱藏部分參考線，不如逆向思維，從構造參考線的角度出發，自己組織構造參考線，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折線為中線，在購房自由指數折線與租房自由指數折線之間的顏色填充區域，但困難的是這里當購房自由指數高于租房自由指數時對應的顏色為淺藍綠色，而反過來則變為灰色，與購房自由指數、租房自由指數的顏色相呼應。

Python怎么實現數據可視化分析38個城市的居住自由指數

我們只需要設定中心點參數在南極點或北極點，再配合簡單的經緯度相關知識就可以偽造出任意的經緯線，再利用geopandas中的投影變換向設定好的「正射投影」進行轉換，再作為平面坐標進行繪圖即可。

譬如按照這個思路來創建東經10度到東經220度之間，以及南緯-90度到-80度之間，對應的5條緯度線和對應38個城市的經線：

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負號顯示問題
warnings.filterwarnings('ignore')

# 設置中心點在南極點的正射投影
crs = '+proj=ortho +lon_0=0 +lat_0=-90'

# 構建經度線并設置對應經緯度的地理坐標系
lng_lines = gpd.GeoDataFrame({
    'geometry': [LineString([[lng, -90], [lng, -78]]) for lng in np.arange(10, 220, 210 / 38)]}, 
    crs='EPSG:4326')

# 構建緯度線并設置為對應經緯度的地理坐標系
lat_lines = gpd.GeoDataFrame({
    'geometry': [LineString([[lng, lat] for lng in range(10, 220)]) for lat in range(-90, -79, 2)]}, 
    crs='EPSG:4326')

構造好數據之后，將經線與緯線對應的GeoDataFrame轉換到設置好的「正射投影」crs上，再作為不同圖層進行疊加繪制：

Python怎么實現數據可視化分析38個城市的居住自由指數

按照前面推斷出的規則來偽造示例數據，并對偽造過程中的不合理數據進行修正：

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'], data['租房自由指數'] = list(zip(*data['居住自由指數'].apply(fake_index)))

# 修正偽造數據中大于100和小于0的情況
data.loc[:, '居住自由指數':] = data.loc[:, '居住自由指數':].applymap(lambda v: 100 if v > 100 else v)
data.loc[:, '居住自由指數':] = data.loc[:, '居住自由指數':].applymap(lambda v: 0 if v < 0 else v)
data.head()

Python怎么實現數據可視化分析38個城市的居住自由指數

接下來我們就來為每個指標構造線與散點部分的矢量數據，并在統一轉換坐標參考系到「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')

# 居住自由指數對應的折線
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_映射值'])])]}, 
    crs='EPSG:4326')

# 居住自由指數對應的折線上的散點
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_映射值'])]}, crs='EPSG:4326')

# 購房自由指數對應的折線
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_映射值'])])]}, 
    crs='EPSG:4326')

# 購房自由指數對應的折線上的散點
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_映射值'])]}, crs='EPSG:4326')


# 租房自由指數對應的折線
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_映射值'])])]}, 
    crs='EPSG:4326')

# 租房自由指數對應的折線上的散點
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_映射值'])]}, crs='EPSG:4326')

                             
fig, ax = plt.subplots(figsize=(8, 8))

# 繪制經度線與緯度線
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'); # 關閉坐標軸

fig.savefig('圖11.png', dpi=500, inches_bbox='tight', inches_pad=0)

Python怎么實現數據可視化分析38個城市的居住自由指數

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：

fig, ax = plt.subplots(figsize=(8, 8))

# 繪制經度線與緯度線
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'); # 關閉坐標軸

fig.savefig('圖13.png', dpi=500, inches_bbox='tight', inches_pad=0)

Python怎么實現數據可視化分析38個城市的居住自由指數