Big Data

Geoanalyse | Einführung in Folium

Dieser Artikel wurde im Rahmen der Data Science Blogathon

Einführung

Wir stoßen oft auf Situationen, in denen es besser ist, die Daten zum besseren Verständnis auf einer Karte anzuzeigen. Die Daten, mit denen wir in unserem täglichen Leben umgehen, beschränken sich im Allgemeinen auf Zeilen und Spalten, Balkendiagramme, Kreisdiagramme und Histogramme.

Aber, heute, mit mehr Datenerfassungsressourcen und mehr Rechenleistung, Unternehmen können auch Standortdaten und Karten verwenden, um ihre Daten- und Analyseanforderungen zu erfüllen.

Bedeutung von standortbezogenen Karten und Daten

Karten und Standortdaten machen es leicht, versteckte Daten und Muster zu erkennen, die zuvor in Tabellenkalkulationen möglicherweise nicht erkennbar waren / Excel.

Zum Beispiel, ein Datensatz enthält Lieferorte für Lebensmittel in einer Stadt, zusammen mit den Kosten der Bestellungen, die bestellten Artikel und andere Parameter. Diese Termine, wenn auf einer Karte angezeigt, hilft bei der Identifizierung von Faktoren wie Entfernung, die Nähe, die Gruppen, etc.

Standortbezogene Daten, die auf Karten aufgetragen werden, bieten Ihnen die Möglichkeit, viel mehr Informationen und eine bessere Sichtbarkeit anzuzeigen.

Was ist Geoanalyse??

Die Geoanalyse ist eine Technik zum Erstellen und Analysieren von kartenbasierten Visualisierungen aus GPS-Daten, Sensoren, mobile Geräte, Satellitenbilder und andere Quellen. Visuals können Karten sein, Kartogramme, Grafik, etc.

Erkennbare Karten erleichtern das Verständnis und die Bedienung. Standortbezogene Ereignisse sind durch Geoanalyse leicht zu verstehen. Standortaspekte diktieren oft verschiedene Trends.

Zum Beispiel, ein Wohngebiet in einer Stadt mit teureren Immobilien hat wahrscheinlich höhere Einkommen und wird mehr Geld ausgeben.

Anwendungen und Anwendungen der Geoanalyse

Es gibt mehrere Anwendungen der Geoanalyse.

Sie können verwendet werden, um natürliche Ressourcen zu kartieren oder Wetterereignisse wie Regen zu verfolgen, Schnee oder Feuchtigkeit, Luftdruck, etc. Mit dem Ort des vergangenen meteorologischen Phänomens, Trends können analysiert und verstanden werden / zukünftige Instanzen vorhersagen.

Auch für Telekommunikationsdaten, Wir können Geoanalysen verwenden und die Stärke der Verbindung verstehen, die Erweiterung der Abonnenten und andere Parameter. Netzwerkstärken schwanken im Laufe der Zeit und die Verwendung von Karten zur Visualisierung von Daten ist der effizienteste Weg.

Wir können auch Karten verwenden, um verschiedene Geschäftsdaten zu zeichnen, der Verkauf eines Ladens durch die Verkaufsstellen, zum Beispiel, alle Mc Donalds in einer Stadt oder Region können ihre Verkäufe auf der Karte darstellen. Dies hilft, die profitabelsten Standorte zu analysieren und bessere Entscheidungen zu treffen..

Stadtplanung und Stadtplanung können auch durch kartenbasierte Analysetechniken unterstützt werden. Die wachsende Bevölkerung in den Städten hat oft den Bedarf an Strom und Wasser erhöht, und Nachfrage und Angebot in Großstädten schwanken weiterhin.

Stadtverwaltungen und kommunale Körperschaften verfügen in vielen Fällen über die notwendigen Daten, aber keine gute Möglichkeit, die Daten zu visualisieren und zu analysieren. Wenn Sie den Strombedarf nach Regionen in einer Stadt haben, auf einer Karte gezeichnet, Sie können bestimmen, welche Regionen ein dringendes Update und mehr Angebot benötigen. Alle Aspekte der Stadtplanung können mit einer geeigneten Geoanalyse leicht erreicht werden.

Einführung in das Folio

Folium ist eine Python-Bibliothek, mit der Geodaten visualisiert werden können. Die einfachen Befehle von Folium machen es zur besten Option für die grafische Darstellung auf Karten. Folium verfügt über mehrere integrierte Mapbox-Kacheln, OpenStreetMap und Stamen und unterstützt auch benutzerdefinierte Kachelsets.

Folium-Installation:

pip installieren folium

Jetzt, nach der Installation von Folium, wir fingen an.

numpy als np importieren
Pandas als pd importieren

Wir importieren NumPy und Pandas.

# Erstellen Sie eine Karte
kol = folium.Map(Standort=[22.57, 88.36], Fliesen="OpenStreetmap", zoom_start=12)
col

Wir erstellen eine grundlegende Karte von Kolkata in Python.

Kann hinein- und herausgezoomt und verschoben werden, Ich werde Kaggles Live-Notizbuch-Link am Ende des Artikels teilen. Jetzt malen wir einige interessante Orte. Hier ist ein Blatt, Das Plotten von Standorten, wenn Sie die Kartenkoordinaten kennen, ist sehr einfach.

#Marker für einen Ort hinzufügen

#victoria-denkmal
Tooltip_1 = "Das ist Victoria Memorial"
Tooltip_2 ="Das ist Eden Gardens"

folium.Marker(
    [22.54472, 88.34273], Popup="Victoria-Denkmal", tooltip=tooltip_1).ergänzen(col)

folium.Marker(
    [22.56487826917627, 88.34336378854425], Popup="Eden-Gärten", tooltip=tooltip_2).ergänzen(col)

col

Schauen wir uns die Handlung an.

Jetzt, fügen wir unserer Karte einen anderen Markertyp hinzu.

folium.Marker(
    Standort=[22.55790780507432, 88.35087264462007],
    Popup="Indisches Museum",
    icon=folium.Icon(Farbe="rot", Symbol="Info-Zeichen"),
).ergänzen(col)

col

Hier sind die Ergebnisse des obigen Codes. Um die Arten von Markern zu kennen, Sie können die Dokumentation einsehen.

Schauen wir uns nun eine andere Art von Karte an, Staubgefäß-Toner.

kol2 = folium.Map(Standort=[22.55790780507432, 88.35087264462007], Fliesen="Staubgefäß-Toner", zoom_start=13)
kol2

Jetzt, Sehen wir uns die generierte Ausgabe an.

Das Hinzufügen von Markierungen zur Karte wird verwendet, um etwas zu beschriften und zu identifizieren. Mit Beschriftung, jede besondere Sehenswürdigkeit kann auf der Karte markiert werden.

Jetzt fügen wir unserer Karte Kreise hinzu.

#Kreis hinzufügen

folium.Kreis(
    Standort=[22.585728381244373, 88.41462932675563],
    Radius=1500,
    Popup="Salzsee",
    Farbe="Blau",
    fill=Wahr,
).ergänzen(kol2)

folium.Kreis(
    Standort=[22.56602918189088, 88.36508424354102],
    Radius=2000,
    Popup="Altes Kalkutta",
    Farbe="rot",
    fill=Wahr,
).ergänzen(kol2)


kol2

Schauen wir uns die Ausgabe an.

Die Karte kann verschoben und interagiert werden. Die Verwendung von Kreisen kann bei realen Daten zur Zoneneinteilung und Zonenmarkierung verwendet werden.

Lass uns jetzt an der Karte von Indien arbeiten.

# Erstellen Sie eine Karte
Indien = folium.Map(Standort=[20.180862078886562, 78.77642751195584], Fliesen="OpenStreetmap", zoom_start=5)
Indien

Zu, Wählen Sie einen bestimmten Ort auf der Karte, wir können die Koordinaten ändern und den Parameter zoom_start bearbeiten.

#hinzufügen 3 Standorte, Mumbai, Delhi und Kalkutta
loc= [(19.035698150834815, 72.84981409864244),(28.61271068361265, 77.22359851696532) ,
      (22.564213404457185, 88.35872006950966)]

Wir werden drei Städte in Indien nehmen und eine Grenze zwischen ihnen ziehen.

folium.PolyLine(Standorte = loc,
                line_opacity = 0.5).ergänzen(Indien)

Indien

Schauen wir uns die Ausgabe an.

Daher, Wir können einige grundlegende Daten basierend auf Koordinaten darstellen.

Jetzt, lass uns mit einem Kaggle-Dataset arbeiten, mit den Bevölkerungszentren der Bundesstaaten Indiens gemäß den Volkszählungsdaten von 2011. Lass uns weitermachen.

df_state=pd.read_csv("/kaggle/input/indian-census-data-with-geospatial-indexing/state wise centroids_2011.csv")

df_state.head()

Die Daten sehen so aus:

Die Daten haben 35 Karten, Jetzt lass uns die Daten grafisch darstellen.

#Erstellen einer neuen Karte für Indien, für alle Bevölkerungszentren der Bundesstaaten, die gezeichnet werden sollen
# Erstellen Sie eine Karte
Indien2 = folium.Map(Standort=[20.180862078886562, 78.77642751195584], Fliesen="OpenStreetmap", zoom_start=4.5)

#Hinzufügen der Markierungen

für mich in Reichweite (0,35):
    state=df_state["Bundesland"][ich]
    lat=df_state["Breite"][ich]
    long=df_state["Längengrad"][ich]
    folium.Marker(
    [Jahre, lang], popup=zustand, Tooltip=Status).ergänzen(Indien2)

Indien2

Jetzt, werfen wir einen Blick auf die Handlung.

Das Diagramm wird generiert und die Position jedes der Marker ist das Bevölkerungszentrum des jeweiligen Staates / AUS.

Fazit

Bei Verwendung von Karten, wir können Daten einfacher und effizienter verstehen und analysieren. Betrugsblatt, Wir bekommen eine einfache Möglichkeit, Punkte auf der Karte zu zeichnen und unsere Daten zu verstehen.