Big Data

Análise geoespacial | Introdução ao Folium

Este artigo foi publicado como parte do Data Science Blogathon

Introdução

Muitas vezes nos deparamos com algumas situações em que é melhor exibir os dados em um mapa para melhor compreensão. Os dados com os quais lidamos em nossas vidas diárias são geralmente limitados a linhas e colunas, gráficos de barras, gráficos de pizza e histogramas.

Mas, hoje em dia, com mais recursos de coleta de dados e mais poder computacional, As empresas também podem usar dados de localização e mapas para atender às suas necessidades de dados e análises.

Importância de mapas e dados baseados em localização

Mapas e dados de localização facilitam a visualização de dados e padrões ocultos, que pode ter sido irreconhecível anteriormente em planilhas / Excel.

Por exemplo, um conjunto de dados contém locais de entrega de comida em uma cidade, junto com os custos dos pedidos, os itens pedidos e outros parâmetros. Estes dados, quando visto em um mapa, ajudará a identificar fatores como distância, a proximidade, os grupos, etc.

Dados baseados em localização plotados em mapas oferecem a opção de exibir muito mais informações e com visibilidade mais fácil.

O que é análise geoespacial?

A análise geoespacial é uma técnica para criar e analisar visualizações baseadas em mapas de dados GPS, sensores, Dispositivos móveis, imagens de satélite e outras fontes. Os visuais podem ser mapas, cartogramas, gráficos, etc.

Mapas reconhecíveis facilitam a compreensão e operação. Os eventos baseados em localização são facilmente compreendidos pela análise geoespacial. Aspectos de localização muitas vezes ditam várias tendências.

Por exemplo, uma área residencial em uma cidade com propriedades mais caras provavelmente terá pessoas com renda mais alta e eles gastarão quantias maiores de dinheiro.

Aplicações e usos da análise geoespacial

Existem vários usos de análise geoespacial.

Eles podem ser usados para mapear recursos naturais ou rastrear eventos climáticos, como chuva, neve ou umidade, pressão do ar, etc. Com a localização do fenômeno meteorológico passado, tendências podem ser analisadas e compreendidas / prever futuras instâncias.

Também para dados de telecomunicações, podemos usar a análise geoespacial e entender a força da conexão, a extensão dos assinantes e outros parâmetros. A força da rede flutua ao longo do tempo e usar mapas para visualizar dados é a maneira mais eficiente.

Também podemos usar mapas para traçar vários dados de negócios, as vendas de uma loja pelos pontos de venda, por exemplo, todos os Mc Donalds em uma cidade ou região podem traçar suas vendas no mapa. Isso ajudará a analisar os locais mais lucrativos e a tomar melhores decisões..

O planejamento urbano e o planejamento da cidade também podem ser auxiliados por técnicas de análise baseadas em mapas. O crescimento da população nas cidades frequentemente aumenta as necessidades de eletricidade e água, e a demanda e a oferta nas grandes cidades continuam a variar.

Conselhos municipais e empresas municipais têm os dados necessários em muitos casos, mas não é uma boa maneira de visualizar e analisar os dados. Se você tem demanda de eletricidade por região em uma cidade, desenhado em um mapa, você pode determinar quais regiões precisam de uma atualização urgente e mais ofertas. Todos os aspectos do planejamento urbano podem ser facilmente realizados com uma análise geoespacial adequada.

Introdução ao fólio

Folium é uma biblioteca Python que pode ser usada para visualizar dados geoespaciais. Os comandos simples do Folium o tornam a melhor escolha para gráficos em mapas. Folium tem vários conjuntos de blocos de Mapbox integrados, OpenStreetMap e Stamen e também suporta conjuntos de blocos personalizados.

Instalação de folium:

pip install folium

Agora, depois de instalar o Folium, nós começamos.

importar numpy como np
importar pandas como pd

Importamos NumPy e pandas.

# Crie um mapa
kol = folium.Map(localização =[22.57, 88.36], tiles ="openstreetmap", zoom_start = 12)
col

Criamos um mapa básico de Calcutá em Python.

Pode ser ampliado, reduzido e movido, Vou compartilhar o link do caderno ao vivo de Kaggle no final do artigo. Agora vamos desenhar alguns lugares interessantes. Aqui está uma folha, traçar locais se você souber as coordenadas do mapa é muito fácil.

#adicionar marcador para um lugar

#victoria memorial
tooltip_1 = "Este é Victoria Memorial"
tooltip_2 ="Este é o Eden Gardens"

folium.Marker(
    [22.54472, 88.34273], popup ="Victoria Memorial", tooltip = tooltip_1).adicionar à(col)

folium.Marker(
    [22.56487826917627, 88.34336378854425], popup ="Eden Gardens", tooltip = tooltip_2).adicionar à(col)

col

Vamos dar uma olhada no enredo.

Agora, vamos adicionar um tipo diferente de marcador ao nosso mapa.

folium.Marker(
    localização =[22.55790780507432, 88.35087264462007],
    popup ="Museu Indiano",
    icon = folium.Icon(color ="vermelho", ícone ="sinal de informação"),
).adicionar à(col)

col

Aqui estão os resultados do código acima. Para conhecer os tipos de marcadores, você pode consultar a documentação.

Vamos agora olhar para um tipo diferente de mapa, Toner Estame.

kol2 = folium.Map(localização =[22.55790780507432, 88.35087264462007], tiles ="Toner Estame", zoom_start = 13)
kol2

Agora, vamos ver a saída gerada.

Adicionar marcadores ao mapa é usado para rotular e identificar algo. Com rotulagem, qualquer ponto de interesse particular pode ser marcado no mapa.

Agora vamos adicionar círculos ao nosso mapa.

#adicionando círculo

folium.Circle(
    localização =[22.585728381244373, 88.41462932675563],
    raio = 1500,
    popup ="Lago salgado",
    color ="azul",
    fill = True,
).adicionar à(kol2)

folium.Circle(
    localização =[22.56602918189088, 88.36508424354102],
    raio = 2.000,
    popup ="Old Kolkata",
    color ="vermelho",
    fill = True,
).adicionar à(kol2)


kol2

Vamos dar uma olhada na saída.

O mapa pode ser movido e interagido. O uso de círculos pode ser usado para fins de zoneamento e marcação de zona no caso de dados da vida real.

Vamos agora trabalhar no mapa da Índia.

# Crie um mapa
india = folium.Map(localização =[20.180862078886562, 78.77642751195584], tiles ="openstreetmap", zoom_start = 5)
Índia

Para, escolha qualquer lugar específico no mapa, podemos mudar as coordenadas e editar o parâmetro zoom_start.

#adicionando 3 Localizações, Mumbai, Delhi e Calcutá
loc = [(19.035698150834815, 72.84981409864244),(28.61271068361265, 77.22359851696532) ,
      (22.564213404457185, 88.35872006950966)]

Pegaremos três cidades na Índia e traçaremos uma linha entre elas.

folium.PolyLine(localizações = loc,
                line_opacity = 0.5).adicionar à(Índia)

Índia

Vamos dar uma olhada na saída.

Desta forma, podemos traçar alguns dados básicos com base em coordenadas.

Agora, vamos trabalhar com um conjunto de dados Kaggle, tendo os centros populacionais dos estados da Índia de acordo com os dados do censo de 2011. Vamos continuar.

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

df_state.head()

Os dados são assim:

Os dados têm 35 ingressos, agora vamos representar graficamente os dados.

#criando um novo mapa para a Índia, para todos os centros populacionais dos estados a serem plotados
# Crie um mapa
india2 = folium.Map(localização =[20.180862078886562, 78.77642751195584], tiles ="openstreetmap", zoom_start = 4,5)

#adicionando os marcadores

para eu no alcance (0,35):
    state = df_state["Estado"][eu]
    lat = df_state["Latitude"][eu]
    long = df_state["Longitude"][eu]
    folium.Marker(
    [anos, grande], popup = estado, dica de ferramenta = estado).adicionar à(india2)

india2

Agora, vamos dar uma olhada no enredo.

O gráfico é gerado e a localização de cada um dos marcadores é o centro populacional do respectivo estado / FORA.

conclusão

Ao usar mapas, podemos entender e analisar dados de forma mais fácil e eficiente. Folha de Con, temos uma maneira fácil de traçar pontos no mapa e dar sentido aos nossos dados.