Day 9: 地理数据分析

学习目标

完成今天的学习后，你将能够：

理解地理数据类型
进行地图可视化
进行空间分析
掌握地理编码

技术原理

地理数据类型

矢量数据

点（Point）：坐标位置
线（Line）：路径、道路
面（Polygon）：区域、边界

栅格数据

图像：卫星图像、航拍图像
网格：规则网格数据

坐标系统

地理坐标系

经度：东西位置
纬度：南北位置
WGS84：全球通用坐标系

投影坐标系

UTM：通用横轴墨卡托投影
高斯-克吕格：中国常用投影

空间分析

基本操作

距离计算：两点之间的距离
缓冲区分析：创建缓冲区
叠加分析：图层叠加
空间查询：基于位置的查询

高级分析

空间聚类：DBSCAN、K-means
空间插值：克里金插值、反距离加权
网络分析：路径规划、服务区分析

地理编码

正向地理编码

将地址转换为坐标

反向地理编码

将坐标转换为地址

案例：城市设施分析

假设我们有一个城市设施数据集，需要：

可视化设施分布
分析设施覆盖范围
计算设施之间的距离
进行空间聚类

应用场景

城市规划：设施布局、交通规划
商业分析：选址分析、市场覆盖
环境监测：污染分布、生态分析
物流配送：路径优化、配送范围
应急管理：灾害评估、救援规划

代码案例

地理数据处理

python

# 地理数据处理示例

import pandas as pd
import numpy as np
import geopandas as gpd
import matplotlib.pyplot as plt
from shapely.geometry import Point, LineString, Polygon

# 设置中文字体
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 1. 创建点数据
# 创建一些城市坐标
cities = {
    '城市': ['北京', '上海', '广州', '深圳', '成都', '杭州', '武汉', '南京'],
    '经度': [116.4074, 121.4737, 113.2644, 114.0579, 104.0665, 120.1551, 114.3055, 118.7969],
    '纬度': [39.9042, 31.2304, 23.1291, 22.5431, 30.5728, 30.2741, 30.5928, 32.0603],
    '人口(万)': [2154, 2487, 1868, 1756, 2094, 1220, 1233, 931]
}

df = pd.DataFrame(cities)

# 创建几何对象
geometry = [Point(xy) for xy in zip(df['经度'], df['纬度'])]

# 创建GeoDataFrame
gdf = gpd.GeoDataFrame(df, geometry=geometry)

print("点数据:")
print(gdf)

# 2. 创建线数据
# 创建城市之间的连线
lines = []
line_data = []

for i in range(len(gdf)):
    for j in range(i + 1, len(gdf)):
        line = LineString([gdf.geometry.iloc[i], gdf.geometry.iloc[j]])
        lines.append(line)
        line_data.append({
            '起点': gdf['城市'].iloc[i],
            '终点': gdf['城市'].iloc[j]
        })

line_df = pd.DataFrame(line_data)
line_gdf = gpd.GeoDataFrame(line_df, geometry=lines)

print("\n线数据:")
print(line_gdf.head())

# 3. 创建面数据
# 创建一个简单的区域
polygon = Polygon([(110, 20), (125, 20), (125, 42), (110, 42)])
area_gdf = gpd.GeoDataFrame([{'名称': '研究区域'}], geometry=[polygon])

print("\n面数据:")
print(area_gdf)

# 4. 可视化
fig, ax = plt.subplots(1, 1, figsize=(12, 8))

# 绘制区域
area_gdf.plot(ax=ax, alpha=0.3, color='lightblue')

# 绘制连线
line_gdf.plot(ax=ax, color='gray', linewidth=0.5, alpha=0.5)

# 绘制城市点
gdf.plot(ax=ax, color='red', markersize=gdf['人口(万)'] / 10, alpha=0.7)

# 添加城市标签
for idx, row in gdf.iterrows():
    ax.annotate(row['城市'], (row.geometry.x, row.geometry.y),
                xytext=(5, 5), textcoords='offset points',
                fontsize=9, fontweight='bold')

ax.set_title('中国主要城市分布', fontsize=16, fontweight='bold')
ax.set_xlabel('经度')
ax.set_ylabel('纬度')
ax.grid(True, alpha=0.3)

plt.tight_layout()
plt.show()

# 5. 基本空间操作
print("\n空间操作:")
print("=" * 50)

# 计算两点之间的距离（单位：度）
point1 = gdf.geometry.iloc[0]  # 北京
point2 = gdf.geometry.iloc[1]  # 上海
distance = point1.distance(point2)
print(f"北京到上海的距离（度）: {distance:.4f}")

# 计算所有城市到北京的距离
beijing = gdf.geometry.iloc[0]
gdf['到北京距离'] = gdf.geometry.apply(lambda x: x.distance(beijing))
print("\n各城市到北京的距离:")
print(gdf[['城市', '到北京距离']])

# 6. 缓冲区分析
# 创建缓冲区
gdf['缓冲区'] = gdf.geometry.buffer(2)  # 2度的缓冲区

# 可视化缓冲区
fig, ax = plt.subplots(1, 1, figsize=(12, 8))

# 绘制缓冲区
gdf['缓冲区'].plot(ax=ax, alpha=0.3, color='skyblue')

# 绘制城市点
gdf.plot(ax=ax, color='red', markersize=100)

ax.set_title('城市缓冲区分析', fontsize=16, fontweight='bold')
ax.set_xlabel('经度')
ax.set_ylabel('纬度')
ax.grid(True, alpha=0.3)

plt.tight_layout()
plt.show()

地图可视化

python

# 地图可视化示例

import pandas as pd
import numpy as np
import geopandas as gpd
import matplotlib.pyplot as plt
import folium
from folium import plugins

# 设置中文字体
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 1. 创建示例数据
np.random.seed(42)
n_points = 100

# 生成随机点（模拟北京市内的设施）
lons = np.random.uniform(116.0, 116.8, n_points)
lats = np.random.uniform(39.7, 40.2, n_points)
values = np.random.uniform(0, 100, n_points)
categories = np.random.choice(['商业', '教育', '医疗', '交通'], n_points)

df = pd.DataFrame({
    '经度': lons,
    '纬度': lats,
    '值': values,
    '类别': categories
})

geometry = [Point(xy) for xy in zip(df['经度'], df['纬度'])]
gdf = gpd.GeoDataFrame(df, geometry=geometry)

print("设施数据:")
print(gdf.head())

# 2. 使用matplotlib绘制地图
fig, axes = plt.subplots(1, 2, figsize=(16, 6))

# 按类别着色
colors = {'商业': 'red', '教育': 'blue', '医疗': 'green', '交通': 'orange'}
for category, color in colors.items():
    mask = gdf['类别'] == category
    gdf[mask].plot(ax=axes[0], color=color, markersize=50, alpha=0.6, label=category)

axes[0].set_title('按类别分布', fontsize=14, fontweight='bold')
axes[0].set_xlabel('经度')
axes[0].set_ylabel('纬度')
axes[0].legend()
axes[0].grid(True, alpha=0.3)

# 按值着色
gdf.plot(ax=axes[1], column='值', cmap='YlOrRd', markersize=50, alpha=0.6, legend=True)
axes[1].set_title('按值分布', fontsize=14, fontweight='bold')
axes[1].set_xlabel('经度')
axes[1].set_ylabel('纬度')
axes[1].grid(True, alpha=0.3)

plt.tight_layout()
plt.show()

# 3. 使用folium创建交互式地图
# 创建基础地图
m = folium.Map(location=[39.9, 116.4], zoom_start=10, tiles='OpenStreetMap')

# 添加标记
for idx, row in gdf.iterrows():
    folium.CircleMarker(
        location=[row['纬度'], row['经度']],
        radius=5,
        color=colors.get(row['类别'], 'gray'),
        fill=True,
        fill_color=colors.get(row['类别'], 'gray'),
        fill_opacity=0.7,
        popup=f"类别: {row['类别']}<br>值: {row['值']:.2f}"
    ).add_to(m)

# 添加热力图
heat_data = [[row['纬度'], row['经度']] for idx, row in gdf.iterrows()]
plugins.HeatMap(heat_data).add_to(m)

# 保存地图
m.save('beijing_facilities.html')
print("\n交互式地图已保存为 beijing_facilities.html")

# 4. 创建等值线图
# 创建网格数据
x = np.linspace(116.0, 116.8, 50)
y = np.linspace(39.7, 40.2, 50)
X, Y = np.meshgrid(x, y)

# 模拟某种密度值
Z = np.sin(X * 10) * np.cos(Y * 10) + np.random.normal(0, 0.1, X.shape)

fig, ax = plt.subplots(1, 1, figsize=(10, 8))
contour = ax.contourf(X, Y, Z, levels=20, cmap='viridis', alpha=0.7)
plt.colorbar(contour, ax=ax, label='密度值')
ax.set_title('等值线图', fontsize=16, fontweight='bold')
ax.set_xlabel('经度')
ax.set_ylabel('纬度')
ax.grid(True, alpha=0.3)

plt.tight_layout()
plt.show()

# 5. 创建 choropleth 地图
# 创建区域数据
regions = {
    '区域': ['东城区', '西城区', '朝阳区', '海淀区', '丰台区', '石景山区'],
    '经度': [116.418, 116.366, 116.486, 116.311, 116.287, 116.224],
    '纬度': [39.917, 39.912, 39.921, 39.957, 39.863, 39.906],
    '人口(万)': [82, 110, 345, 328, 212, 62],
    'GDP(亿)': [2000, 3000, 5000, 6000, 1500, 500]
}

region_df = pd.DataFrame(regions)
region_geometry = [Point(xy) for xy in zip(region_df['经度'], region_df['纬度'])]
region_gdf = gpd.GeoDataFrame(region_df, geometry=region_geometry)

# 可视化
fig, axes = plt.subplots(1, 2, figsize=(16, 6))

# 人口分布
region_gdf.plot(ax=axes[0], column='人口(万)', cmap='YlOrRd', markersize=region_gdf['人口(万)'] * 2, legend=True)
axes[0].set_title('人口分布', fontsize=14, fontweight='bold')
axes[0].set_xlabel('经度')
axes[0].set_ylabel('纬度')

# GDP分布
region_gdf.plot(ax=axes[1], column='GDP(亿)', cmap='YlGnBu', markersize=region_gdf['GDP(亿)'] / 10, legend=True)
axes[1].set_title('GDP分布', fontsize=14, fontweight='bold')
axes[1].set_xlabel('经度')
axes[1].set_ylabel('纬度')

plt.tight_layout()
plt.show()

空间分析

python

# 空间分析示例

import pandas as pd
import numpy as np
import geopandas as gpd
import matplotlib.pyplot as plt
from shapely.geometry import Point, Polygon
from scipy.spatial.distance import cdist
from sklearn.cluster import DBSCAN

# 设置中文字体
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 1. 创建示例数据
np.random.seed(42)
n_points = 200

# 生成三个聚类中心
centers = [(116.4, 39.9), (116.6, 40.0), (116.5, 39.8)]
points = []
for center in centers:
    cluster_points = np.random.normal(center, 0.05, (n_points // 3, 2))
    points.extend(cluster_points)

points = np.array(points)
df = pd.DataFrame({'经度': points[:, 0], '纬度': points[:, 1]})
geometry = [Point(xy) for xy in zip(df['经度'], df['纬度'])]
gdf = gpd.GeoDataFrame(df, geometry=geometry)

print("原始数据:")
print(gdf.head())

# 2. DBSCAN空间聚类
# 将经纬度转换为弧度（用于DBSCAN）
coords_rad = np.radians(gdf[['纬度', '经度']].values)

# 使用DBSCAN进行聚类
# eps是邻域半径（单位：弧度），min_samples是最小样本数
db = DBSCAN(eps=0.01, min_samples=5).fit(coords_rad)
gdf['聚类标签'] = db.labels_

print("\n聚类结果:")
print(gdf['聚类标签'].value_counts())

# 可视化聚类结果
fig, ax = plt.subplots(1, 1, figsize=(10, 8))

# 绘制不同聚类的点
unique_labels = set(gdf['聚类标签'])
colors = plt.cm.Set1(np.linspace(0, 1, len(unique_labels)))

for label, color in zip(unique_labels, colors):
    if label == -1:
        # 噪声点
        color = 'gray'
        marker = 'x'
    else:
        marker = 'o'
    
    mask = gdf['聚类标签'] == label
    gdf[mask].plot(ax=ax, color=color, markersize=50, alpha=0.6, 
                   label=f'聚类 {label}' if label != -1 else '噪声', marker=marker)

ax.set_title('DBSCAN空间聚类', fontsize=16, fontweight='bold')
ax.set_xlabel('经度')
ax.set_ylabel('纬度')
ax.legend()
ax.grid(True, alpha=0.3)

plt.tight_layout()
plt.show()

# 3. 距离矩阵计算
# 计算所有点之间的距离矩阵
coords = gdf[['经度', '纬度']].values
distance_matrix = cdist(coords, coords, metric='euclidean')

print("\n距离矩阵形状:", distance_matrix.shape)
print("平均距离:", np.mean(distance_matrix))
print("最大距离:", np.max(distance_matrix))
print("最小距离:", np.min(distance_matrix))

# 可视化距离矩阵
plt.figure(figsize=(10, 8))
plt.imshow(distance_matrix, cmap='hot', interpolation='nearest')
plt.colorbar(label='距离')
plt.title('距离矩阵', fontsize=16, fontweight='bold')
plt.xlabel('点索引')
plt.ylabel('点索引')
plt.show()

# 4. 缓冲区分析
# 创建缓冲区
gdf['缓冲区'] = gdf.geometry.buffer(0.02)  # 0.02度的缓冲区

# 计算缓冲区重叠
from shapely.ops import unary_union

# 合并所有缓冲区
union_buffer = unary_union(gdf['缓冲区'].tolist())
print(f"\n合并后的缓冲区面积: {union_buffer.area:.6f} 平方度")

# 可视化缓冲区
fig, ax = plt.subplots(1, 1, figsize=(10, 8))

# 绘制合并后的缓冲区
gpd.GeoSeries([union_buffer]).plot(ax=ax, alpha=0.3, color='skyblue')

# 绘制原始点
gdf.plot(ax=ax, color='red', markersize=50, alpha=0.7)

ax.set_title('缓冲区分析', fontsize=16, fontweight='bold')
ax.set_xlabel('经度')
ax.set_ylabel('纬度')
ax.grid(True, alpha=0.3)

plt.tight_layout()
plt.show()

# 5. 最近邻分析
from scipy.spatial import KDTree

# 创建KD树
tree = KDTree(coords)

# 查询每个点的最近邻
distances, indices = tree.query(coords, k=2)  # k=2包括自身
nearest_distances = distances[:, 1]  # 排除自身

print(f"\n最近邻距离统计:")
print(f"平均最近邻距离: {np.mean(nearest_distances):.6f}")
print(f"最大最近邻距离: {np.max(nearest_distances):.6f}")
print(f"最小最近邻距离: {np.min(nearest_distances):.6f}")

# 可视化最近邻距离
plt.figure(figsize=(10, 6))
plt.hist(nearest_distances, bins=30, edgecolor='black', alpha=0.7, color='skyblue')
plt.title('最近邻距离分布', fontsize=16, fontweight='bold')
plt.xlabel('距离')
plt.ylabel('频数')
plt.grid(True, alpha=0.3)
plt.show()

# 6. 空间插值（反距离加权法）
def idw_interpolation(x, y, values, xi, yi, power=2):
    """反距离加权插值"""
    distances = np.sqrt((x - xi)**2 + (y - yi)**2)
    
    # 避免除零错误
    distances = np.where(distances == 0, 1e-10, distances)
    
    weights = 1 / distances**power
    interpolated_value = np.sum(weights * values) / np.sum(weights)
    
    return interpolated_value

# 创建插值网格
x_min, x_max = gdf['经度'].min() - 0.05, gdf['经度'].max() + 0.05
y_min, y_max = gdf['纬度'].min() - 0.05, gdf['纬度'].max() + 0.05

xi = np.linspace(x_min, x_max, 50)
yi = np.linspace(y_min, y_max, 50)
XI, YI = np.meshgrid(xi, yi)

# 为每个点分配随机值
gdf['随机值'] = np.random.uniform(0, 100, len(gdf))

# 进行插值
ZI = np.zeros_like(XI)
for i in range(len(xi)):
    for j in range(len(yi)):
        ZI[j, i] = idw_interpolation(
            gdf['经度'].values, 
            gdf['纬度'].values, 
            gdf['随机值'].values,
            xi[i], 
            yi[j]
        )

# 可视化插值结果
plt.figure(figsize=(10, 8))
plt.contourf(XI, YI, ZI, levels=20, cmap='viridis', alpha=0.7)
plt.colorbar(label='插值值')
plt.scatter(gdf['经度'], gdf['纬度'], c='red', s=50, edgecolors='black', label='观测点')
plt.title('反距离加权插值', fontsize=16, fontweight='bold')
plt.xlabel('经度')
plt.ylabel('纬度')
plt.legend()
plt.grid(True, alpha=0.3)
plt.show()

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191

地理编码

python

# 地理编码示例

import pandas as pd
import numpy as np
import geopandas as gpd
import matplotlib.pyplot as plt
from geopy.geocoders import Nominatim
from geopy.distance import geodesic
import time

# 设置中文字体
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 1. 地理编码函数
def geocode_address(address):
    """将地址转换为坐标"""
    geolocator = Nominatim(user_agent="my_geocoder")
    try:
        location = geolocator.geocode(address)
        if location:
            return location.latitude, location.longitude
        else:
            return None, None
    except Exception as e:
        print(f"地理编码错误: {e}")
        return None, None

# 2. 反向地理编码函数
def reverse_geocode(lat, lon):
    """将坐标转换为地址"""
    geolocator = Nominatim(user_agent="my_geocoder")
    try:
        location = geolocator.reverse((lat, lon))
        if location:
            return location.address
        else:
            return None
    except Exception as e:
        print(f"反向地理编码错误: {e}")
        return None

# 3. 测试地理编码
print("地理编码测试:")
print("=" * 50)

# 注意：由于网络限制，这里使用模拟数据
# 实际使用时需要网络连接

# 模拟地理编码结果
addresses = [
    "北京市天安门广场",
    "上海市东方明珠",
    "广州市广州塔",
    "深圳市市民中心",
    "成都市天府广场"
]

# 模拟坐标
coords = [
    (39.9042, 116.4074),  # 天安门
    (31.2397, 121.4998),  # 东方明珠
    (23.1066, 113.3245),  # 广州塔
    (22.5431, 114.0579),  # 市民中心
    (30.5728, 104.0665)   # 天府广场
]

# 创建DataFrame
df = pd.DataFrame({
    '地址': addresses,
    '纬度': [c[0] for c in coords],
    '经度': [c[1] for c in coords]
})

print("地理编码结果:")
print(df)

# 4. 计算距离矩阵
print("\n距离矩阵（单位：公里）:")
print("=" * 50)

# 计算所有点之间的距离
n = len(df)
distance_matrix = np.zeros((n, n))

for i in range(n):
    for j in range(n):
        if i != j:
            point1 = (df['纬度'].iloc[i], df['经度'].iloc[i])
            point2 = (df['纬度'].iloc[j], df['经度'].iloc[j])
            distance_matrix[i, j] = geodesic(point1, point2).kilometers

# 创建距离DataFrame
distance_df = pd.DataFrame(distance_matrix, index=df['地址'], columns=df['地址'])
print(distance_df.round(2))

# 5. 可视化距离矩阵
plt.figure(figsize=(10, 8))
plt.imshow(distance_matrix, cmap='YlOrRd', interpolation='nearest')
plt.colorbar(label='距离 (公里)')
plt.xticks(range(n), df['地址'], rotation=45, ha='right')
plt.yticks(range(n), df['地址'])
plt.title('城市间距离矩阵', fontsize=16, fontweight='bold')

# 在矩阵中显示数值
for i in range(n):
    for j in range(n):
        plt.text(j, i, f'{distance_matrix[i, j]:.0f}', 
                ha='center', va='center', fontsize=8)

plt.tight_layout()
plt.show()

# 6. 创建GeoDataFrame
geometry = [Point(xy) for xy in zip(df['经度'], df['纬度'])]
gdf = gpd.GeoDataFrame(df, geometry=geometry)

# 7. 可视化地图
fig, ax = plt.subplots(1, 1, figsize=(12, 8))

# 绘制点
gdf.plot(ax=ax, color='red', markersize=100, alpha=0.7)

# 添加标签
for idx, row in gdf.iterrows():
    ax.annotate(row['地址'], (row.geometry.x, row.geometry.y),
                xytext=(5, 5), textcoords='offset points',
                fontsize=9, fontweight='bold')

# 添加连线
for i in range(len(gdf)):
    for j in range(i + 1, len(gdf)):
        ax.plot([gdf.geometry.iloc[i].x, gdf.geometry.iloc[j].x],
                [gdf.geometry.iloc[i].y, gdf.geometry.iloc[j].y],
                'k-', alpha=0.3, linewidth=0.5)

ax.set_title('中国主要城市分布', fontsize=16, fontweight='bold')
ax.set_xlabel('经度')
ax.set_ylabel('纬度')
ax.grid(True, alpha=0.3)

plt.tight_layout()
plt.show()

# 8. 最近设施查询
def find_nearest_facility(point, facilities):
    """查找最近的设施"""
    min_distance = float('inf')
    nearest_facility = None
    
    for idx, facility in facilities.iterrows():
        facility_point = (facility['纬度'], facility['经度'])
        distance = geodesic(point, facility_point).kilometers
        
        if distance < min_distance:
            min_distance = distance
            nearest_facility = facility['地址']
    
    return nearest_facility, min_distance

# 查询离某个点最近的设施
test_point = (39.9, 116.4)  # 测试点
nearest, distance = find_nearest_facility(test_point, df)
print(f"\n离{test_point}最近的设施是: {nearest}")
print(f"距离: {distance:.2f} 公里")

课后练习

练习1：地理数据处理

创建点、线、面数据
进行基本空间操作
计算距离和面积
进行缓冲区分析

练习2：地图可视化

使用matplotlib绘制地图
使用folium创建交互式地图
创建等值线图
创建choropleth地图

练习3：空间分析

进行DBSCAN空间聚类
计算距离矩阵
进行最近邻分析
进行空间插值

练习4：地理编码

进行地理编码
进行反向地理编码
计算城市间距离
查找最近设施

常见问题

Q1: 如何选择坐标系？

A: 根据应用选择：

全球数据：WGS84
中国数据：CGCS2000
区域分析：UTM投影

Q2: 地理编码不准确怎么办？

A: 可以尝试：

使用更详细的地址
使用不同的地理编码服务
手动修正坐标

Q3: 如何处理大量地理数据？

A: 可以使用：

空间索引
分块处理
并行计算

Q4: 空间分析需要什么库？

A: 常用库包括：

geopandas：地理数据处理
shapely：几何操作
folium：交互式地图
scipy：空间统计

Q5: 如何提高地图可视化效果？

A: 可以尝试：

使用合适的颜色映射
添加图例和标签
调整透明度
使用交互式地图

下一步学习

完成今天的学习后，建议你：

练习处理真实的地理数据
掌握空间分析技术
学习地理编码方法
准备进入Day 10的学习：机器学习入门

明天我们将学习机器学习入门，这是数据分析的高级技能。

Day 9: 地理数据分析 ​

学习目标 ​

技术原理 ​

地理数据类型 ​

矢量数据 ​

栅格数据 ​

坐标系统 ​

地理坐标系 ​

投影坐标系 ​

空间分析 ​

基本操作 ​

高级分析 ​

地理编码 ​

正向地理编码 ​

反向地理编码 ​

案例：城市设施分析 ​

应用场景 ​

代码案例 ​

地理数据处理 ​

地图可视化 ​

空间分析 ​

地理编码 ​

课后练习 ​

练习1：地理数据处理 ​

练习2：地图可视化 ​

练习3：空间分析 ​

练习4：地理编码 ​

常见问题 ​

Q1: 如何选择坐标系？ ​

Q2: 地理编码不准确怎么办？ ​

Q3: 如何处理大量地理数据？ ​

Q4: 空间分析需要什么库？ ​

Q5: 如何提高地图可视化效果？ ​

下一步学习 ​

Day 9: 地理数据分析

学习目标

技术原理

地理数据类型

矢量数据

栅格数据

坐标系统

地理坐标系

投影坐标系

空间分析

基本操作

高级分析

地理编码

正向地理编码

反向地理编码

案例：城市设施分析

应用场景

代码案例

地理数据处理

地图可视化

空间分析

地理编码

课后练习

练习1：地理数据处理

练习2：地图可视化

练习3：空间分析

练习4：地理编码

常见问题

Q1: 如何选择坐标系？

Q2: 地理编码不准确怎么办？

Q3: 如何处理大量地理数据？

Q4: 空间分析需要什么库？

Q5: 如何提高地图可视化效果？

下一步学习