Интерактивный курс
Работа с геопространственными данными в Python
Этот курс покажет вам, как интегрировать пространственные данные в рабочий процесс Python Data Science.
О курсе
Большая часть данных в реальном мире по своей природе пространственная. От населения, зарегистрированного в национальной переписи, до каждого магазина в вашем районе, большинство наборов данных имеют параметр местоположения, который можно использовать для получения максимального результата. Этот курс покажет вам, как интегрировать пространственные данные в рабочий процесс Python Data Science. Вы узнаете, как взаимодействовать, манипулировать и дополнять реальные данные, используя их географическое измерение. Вы научитесь читать табличные пространственные данные в наиболее распространенных форматах (например, GeoJSON, shapefile, geopackage) и визуализировать их на картах. Затем вы объедините различные источники, используя их местоположение в качестве моста, который связывает их друг с другом. И к концу курса вы поймете, что делает географические данные уникальными, что позволяет преобразовывать и повторно использовать их в различном контексте.План занятий
Введение в геопространственные векторные данные
В этой главе вы познакомитесь с понятиями геопространственных данных и, более конкретно, векторных данных. Затем вы узнаете, как представлять такие данные в Python с помощью библиотеки GeoPandas, и основы для чтения, исследования и визуализации таких данных. И вы будете осуществлять все это с несколькими наборами данных о Париже.
Добавление фоновой карты
Исследование районов Парижа (I)
Исследование районов Парижа (II)
Рестораны в Париже
Визуализация плотности населения
Введение в GeoPandas
Парижские рестораны как GeoDataFrame
Изучение и визуализация пространственных данных
Геопространственные данные
Нанесение нескольких слоев
Использование функционала pandas: groupby
Пространственные отношения
Одним из ключевых аспектов геопространственных данных является то, как они связаны друг с другом в пространстве. В этой главе вы узнаете о различных пространственных отношениях и о том, как использовать их в Python для запроса данных или для выполнения пространственных объединений. Наконец, вы также узнаете более подробно о визуализациях картограмм.
Пространственные методы Shapely
Создание точечной геометрии
Карта плотности деревьев по районам (2)
Картограммы
Пространственные отношения с GeoPandas
Сравнение алгоритмов классификации
Квантиль картограммы
Париж: пространственное соединение районов и велосипедных станций
Карта плотности деревьев по районам (1)
Изящная геометрия и пространственные отношения
Равный интервал картограммы
Операция пространственного объединения
В каком районе находится Эйфелева башня?
Как далеко находится ближайший ресторан?
Собираем все воедино — пример использования данных кустарных горнодобывающих предприятий
В этой последней главе мы отложим в сторону данные о Париже и применим все, что мы узнали, к новому набору данных об участках кустарной добычи полезных ископаемых в Восточном Конго. Кроме того, вы узнаете как применять пользовательские пространственные операции, а также получите ознакомитесь с растровыми данными.
Конец
Буфер вокруг точки
Применение пользовательских пространственных операций
Применение пользовательской операции к каждой геометрии
Участки добычи полезных ископаемых в национальных парках
Импорт и изучение данных
Введение в датасеты
Конвертация в обычный CRS и сохранение в файл
Дополнительные пространственные операции
Стилизация многослойной диаграммы
Импорт и отображение растровых данных
Работа с растровыми данными
Извлечение информации из растрового слоя
Нахождение названия ближайшего национального парка
Проектирование и преобразование геометрических параметров
В этой главе мы более подробно рассмотрим, как выражаются географические координаты на основе их справочных систем координат (CRS). Вы узнаете о важности этих справочных систем и о том, как на практике работать с ними с помощью GeoPandas. Кроме того, вы узнаете, как создавать новые геометрии на основе пространственных отношений, которые позволят вам накладывать наборы пространственных данных. И в дальнейшем вы будете практиковаться на наборах данных Парижа!