Big Data

Analyse géospatiale | Présentation de Folium

Cet article a été publié dans le cadre du Blogathon sur la science des données

introduction

On rencontre souvent des situations où il vaut mieux afficher les données sur une carte pour mieux comprendre. Les données que nous traitons dans notre vie quotidienne se limitent généralement à des lignes et des colonnes, graphiques à barres, camemberts et histogrammes.

Mais, Aujourd'hui, avec plus de ressources de collecte de données et plus de puissance de calcul, Les entreprises peuvent également utiliser des données de localisation et des cartes pour répondre à leurs besoins de données et d'analyse.

Importance des cartes et des données géolocalisées

Les cartes et les données de localisation permettent de voir facilement les données et les modèles cachés, qui auparavant auraient pu être méconnaissables dans les feuilles de calcul / Exceller.

Par exemple, un ensemble de données contient des lieux de livraison de nourriture dans une ville, ainsi que les frais des commandes, les articles commandés et autres paramètres. Ces données, lorsqu'il est affiché sur une carte, aidera à identifier des facteurs tels que la distance, la proximité, les groupes, etc.

Les données géolocalisées tracées sur des cartes vous offrent la possibilité d'afficher beaucoup plus d'informations et avec une visibilité plus facile.

Qu'est-ce que l'analyse géospatiale?

L'analyse géospatiale est une technique de création et d'analyse de visualisations cartographiques à partir de données GPS, capteurs, les appareils mobiles, images satellites et autres sources. Les visuels peuvent être des cartes, cartogrammes, graphique, etc.

Des cartes reconnaissables facilitent la compréhension et l'utilisation. Les événements basés sur la localisation sont facilement compris par l'analyse géospatiale. Les aspects de l'emplacement dictent souvent diverses tendances.

Par exemple, une zone résidentielle dans une ville qui a des propriétés plus chères est susceptible d'avoir des revenus plus élevés et ils dépenseront plus d'argent.

Applications et usages de l'analyse géospatiale

Il existe plusieurs utilisations de l'analyse géospatiale.

Ils peuvent être utilisés pour cartographier les ressources naturelles ou suivre des événements météorologiques tels que la pluie, neige ou humidité, pression de l'air, etc. Avec la localisation du phénomène météorologique passé, les tendances peuvent être analysées et comprises / prédire les instances futures.

Aussi pour les données de télécommunications, nous pouvons utiliser l'analyse géospatiale et comprendre la force de la connexion, l'extension des abonnés et d'autres paramètres. Les forces du réseau fluctuent dans le temps et l'utilisation de cartes pour visualiser les données est le moyen le plus efficace.

Nous pouvons également utiliser des cartes pour tracer diverses données commerciales, les ventes d'un magasin par les points de vente, par exemple, tous les Mc Donald d'une ville ou d'une région peuvent tracer leurs ventes sur la carte. Cela aidera à analyser les emplacements les plus rentables et à prendre de meilleures décisions..

L'urbanisme et l'urbanisme peuvent également être assistés par des techniques d'analyses cartographiques. La population croissante dans les villes a souvent augmenté les besoins en électricité et en eau, et la demande et l'offre dans les grandes villes continuent de varier.

Les conseils municipaux et les corporations municipales disposent des données nécessaires dans de nombreux cas, mais pas un bon moyen de visualiser et d'analyser les données. Si vous avez la demande d'électricité par région dans une ville, dessiné sur une carte, vous pouvez déterminer quelles régions ont besoin d'une mise à jour urgente et d'une offre supplémentaire. Tous les aspects de la planification urbaine peuvent être facilement réalisés avec une analyse géospatiale appropriée.

Présentation du folio

Folium est une bibliothèque Python qui peut être utilisée pour visualiser des données géospatiales. Les commandes simples de Folium en font la meilleure option pour représenter graphiquement sur des cartes. Folium a plusieurs ensembles de tuiles Mapbox intégrées, OpenStreetMap et Stamen et prend également en charge les ensembles de tuiles personnalisés.

Pose de Folium:

pip installer folium

À présent, après avoir installé Folium, nous avons commencé.

importer numpy en tant que np
importer des pandas au format pd

Nous importons NumPy et pandas.

# Créer une carte
kol = folium.Carte(emplacement =[22.57, 88.36], tuiles ="ouvre le plan de la rue", zoom_start=12)
col

Nous créons une carte de base de Calcutta en Python.

Peut être zoomé et dézoomé et déplacé, Je partagerai le lien du cahier en direct de Kaggle à la fin de l'article. Maintenant, dessinons quelques endroits intéressants. Voici une feuille, tracer des emplacements si vous connaissez les coordonnées de la carte est très facile.

#ajouter un marqueur pour un lieu

mémorial de #victoria
infobulle_1 = "C'est Victoria Memorial"
infobulle_2 ="C'est les jardins d'Eden"

folium.Marqueur(
    [22.54472, 88.34273], popup="Mémorial Victoria", info-bulle=info-bulle_1).Ajouter à(col)

folium.Marqueur(
    [22.56487826917627, 88.34336378854425], popup="Jardins d'Eden", infobulle=infobulle_2).Ajouter à(col)

col

Jetons un coup d'oeil à l'intrigue.

À présent, ajoutons un autre type de marqueur à notre carte.

folium.Marqueur(
    emplacement =[22.55790780507432, 88.35087264462007],
    popup="Musée indien",
    icon=folium.Icône(couleur="rouge", icône="info-sign"),
).Ajouter à(col)

col

Voici les résultats du code ci-dessus. Connaître les types de marqueurs, vous pouvez consulter la documentation.

Regardons maintenant un autre type de carte, Toner d'étamine.

kol2 = folium.Carte(emplacement =[22.55790780507432, 88.35087264462007], tuiles ="Toner d'étamine", zoom_start=13)
kol2

À présent, voyons le résultat généré.

L'ajout de marqueurs à la carte est utilisé pour étiqueter et identifier quelque chose. Avec étiquetage, tout point d'intérêt particulier peut être marqué sur la carte.

Ajoutons maintenant des cercles à notre carte.

#ajouter un cercle

folium.Cercle(
    emplacement =[22.585728381244373, 88.41462932675563],
    rayon=1500,
    popup="Lac salé",
    couleur="bleu",
    remplissage=Vrai,
).Ajouter à(kol2)

folium.Cercle(
    emplacement =[22.56602918189088, 88.36508424354102],
    rayon=2000,
    popup="Vieux Calcutta",
    couleur="rouge",
    remplissage=Vrai,
).Ajouter à(kol2)


kol2

Jetons un coup d'oeil à la sortie.

La carte peut être déplacée et interagie. L'utilisation de cercles peut être utilisée à des fins de zonage et de marquage de zone dans le cas de données réelles.

Travaillons maintenant sur la carte de l'Inde.

# Créer une carte
inde = folium.Carte(emplacement =[20.180862078886562, 78.77642751195584], tuiles ="ouvre le plan de la rue", zoom_start=5)
Inde

À, choisissez n'importe quel endroit spécifique sur la carte, on peut changer les coordonnées et éditer le paramètre zoom_start.

#ajouter 3 Emplacements, Bombay, Delhi et Calcutta
loc= [(19.035698150834815, 72.84981409864244),(28.61271068361265, 77.22359851696532) ,
      (22.564213404457185, 88.35872006950966)]

Nous allons prendre trois villes en Inde et tracer une ligne entre elles.

folium.PolyLine(emplacements = loc,
                line_opacity = 0.5).Ajouter à(Inde)

Inde

Jetons un coup d'oeil à la sortie.

De cette façon, nous pouvons tracer des données de base basées sur des coordonnées.

À présent, travaillons avec un jeu de données Kaggle, ayant les centres de population des états de l'Inde selon les données du recensement de 2011. Allons-nous en.

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

df_state.head()

Les données ressemblent à ceci:

Les données ont 35 billets, Graphons maintenant les données.

#créer une nouvelle carte pour l'Inde, pour tous les états des centres de population à tracer
# Créer une carte
inde2 = folium.Carte(emplacement =[20.180862078886562, 78.77642751195584], tuiles ="ouvre le plan de la rue", zoom_start=4.5)

#ajouter les marqueurs

pour moi à portée (0,35):
    état=df_état["État"][je]
    lat=df_state["Latitude"][je]
    long=df_state["Longitude"][je]
    folium.Marqueur(
    [années, longue], popup=état, info-bulle=état).Ajouter à(inde2)

inde2

À présent, jetons un coup d'oeil à l'intrigue.

Le tracé est généré et l'emplacement de chacun des marqueurs est le centre de population de l'état respectif / DEHORS.

conclusion

Lors de l'utilisation de cartes, nous pouvons comprendre et analyser les données plus facilement et plus efficacement. Feuille de Con, nous obtenons un moyen simple de tracer des points sur la carte et de donner un sens à nos données.