在上一课中，我们已经介绍过使用 Plotly 实现地理信息可视化的方法。但是，那个工具对我们不是很友好，特别是由于某种不可抗力的存在，可能根本无法调试。
不过，pyecharts 的确在地理信息可视化上做得不错——如果仅做国内地图，特别推荐使用，还是通过示例来说明吧。
首先，要安装地图文件，安装方法如下：
$ pip install echarts-countries-pypkg # 全球国家地图
$ pip install echarts-china-provinces-pypkg # 中国省级地图
$ pip install echarts-china-cities-pypkg # 中国市级地图
$ pip install echarts-china-counties-pypkg # 中国县区地图
$ pip install echarts-china-misc-pypkg # 中国区域地图
不仅可以安装上述官方提供的地图文件，还能够自己制作个性化的地图扩展，具体请点击这里参阅。
注意：上述文件安装完毕，要重新启动 jupyter notebook。
5.2.1 地图上的散点图
有了上述基础，就可以进行地理信息可视化了（以下示例的数据源，请点击这里查看）。
import pandas as pd
from pyecharts import Geo
df = pd.read_csv("/Users/qiwsir/Documents/Codes/DataSet/pm25/pm2.csv")
city = df['CITY_NAME']
value = df['Exposed days']
geo = Geo("主要城市空气质量", "pm2.5", title_color = "#666666", title_pos = "center",
width=800, height=600, background_color = "#404a59")
geo.add("PM2.5", city, value, visual_range=[0, 300], visual_text_color='#fff', symbol_size=16, is_visualmap=True)
geo
image
实现上述效果的类是 Geo，默认情况下绘制散点图，此外可以实现 type='effectScatter'（闪耀的散点图）和 type='heatmap'（热图）。
此图也是动态交互的，通过左侧图例选择不同数值范围，相应地会显示该范围内的数据。
如果按照前面所述安装了各种地图文件，还可以在 geo.add 方法中规定地理范围。
df.sample(3)
| RANK | CITY_ID | CITY_NAME | Exposed days | |
|---|---|---|---|---|
| 115 | 127 | 97 | 阜新 | 91 |
| 40 | 45 | 88 | 丹东 | 49 |
| 71 | 79 | 55 | 吕梁 | 69 |
在 pyecharts 地图中认可的城市名称都如同上述结果显示的那样，例如“阜新”，不要写成“阜新市”。
js = pd.read_csv("/Users/qiwsir/Documents/Codes/DataSet/jiangsu/city_population.csv")
js_cities = [name[:-1] for name in js.name]
js_cities
# out
['南京', '无锡', '徐州', '常州', '苏州', '南通', '连云港', '淮安', '盐城', '扬州', '镇江', '泰州', '宿迁']
下面就绘制江苏省的空气质量分布图。
jspm = df[df['CITY_NAME'].isin(js_cities)]
geo = Geo(
"江苏城市空气质量",
"",
title_color="#202020",
title_pos="center",
width=800,
height=600,
background_color="#666666",
)
geo.add(
"",
jspm['CITY_NAME'],
jspm['Exposed days'],
maptype="江苏",
type="effectScatter",
is_random=True,
effect_scale=5,
is_legend_show=False,
)
geo
输出结果：
image
这里的 geo.add 参数与前面的不同，导致了展示效果的差异。
5.2.2 地图上的热图
一直以来，房价都是人们关注的话题，下面就用可视化的方式研究一下近十年（2009—2018 年）全国部分城市平均房价（数据源：https://github.com/qiwsir/DataSet/tree/master/house）。
hp = pd.read_csv("/Users/qiwsir/Documents/Codes/DataSet/house/houseprice.csv")
hp['mean'] = hp.mean(axis=1)
hp.drop(index=46, inplace=True) # 有城市在默认安装的地图文件中没有，将其删除
geo = Geo("主要城市房产均价", "", title_color='#111111', width=800, height=600)
geo.add('PRICE', hp['city_name'], hp['mean'],
visual_range=[2000, 40000], symbol_size=20,
is_visualmap=True, type="heatmap")
geo
输出结果：
image
在热图查看房价的基础上，为了更准确查看某些城市的房价走向，可以使用折线图看看趋势，例如下列几个城市。
some_cities = hp[hp['city_name'].isin(['上海', '苏州', "北京", "南京", '杭州', '广州'])]
from pyecharts import Line
years = ['2009', '2010', '2011', '2012', '2013', '2014', '2015', '2016', '2017', '2018']
line = Line('选择几个城市的房价', width=800, height=600)
for city in some_cities['city_name']:
line.add(city, years, some_cities[some_cities['city_name']==city][years].values[0])
line
image
网友评论