Dự án Python GIS

Sự phát triển của Python cho không gian địa lý đã bùng nổ trong vài năm qua. Càng ngày bạn càng thấy rằng các quy trình không gian địa lý đang được phát triển và chạy trên Python, đồng thời những người dùng mới của không gian địa lý đang tìm đường đến với không gian địa lý vì điều đó

Các chức danh và thuật ngữ công việc như Khoa học dữ liệu không gian đang phát triển với tốc độ nhanh chóng và người ta đang nỗ lực không ngừng để phát triển các công cụ không gian địa lý cho Python

Tăng trưởng lượt tải xuống cho Geopandas, folium và rasterio

Tôi yêu Python không gian địa lý vì tính linh hoạt mà nó mang lại cũng như phạm vi sử dụng rộng rãi và đa dạng mà nó đáp ứng. Nó cho phép bạn tự do thao tác và làm việc với dữ liệu, phân tích dữ liệu, trực quan hóa cũng như xây dựng các giải pháp và dịch vụ bằng cùng một ngôn ngữ

Tất nhiên, những thách thức tương tự tồn tại trong việc học một ngôn ngữ mới, đặc biệt là đối với không gian địa lý, là biết nên tập trung vào lĩnh vực nào và học gì trước

Chỉ riêng Python dành cho không gian địa lý bao gồm nhiều trường hợp sử dụng, mọi thứ từ việc đọc và quản lý dữ liệu đơn giản đến các mô hình không gian nâng cao đến quan sát trái đất. Và hệ sinh thái Python rộng hơn thậm chí còn rộng hơn. học máy, khoa học dữ liệu, quản lý đường ống dữ liệu, thư viện truy cập API, khung phát triển phụ trợ, v.v.

Đây là những tài nguyên yêu thích của tôi để bắt đầu và đi sâu vào Python không gian địa lý. Như mọi khi, không có gì thay thế được việc tự mình thử mọi thứ, dù chỉ mới bắt đầu từ nhỏ đến đâu.

Tại sao tôi nên học Python?

Đầu tiên, trước khi bạn bắt đầu học Python cho không gian địa lý, tôi tin rằng điều quan trọng là xác định lý do tại sao bạn muốn học Python không gian địa lý. Chắc chắn, thêm các kỹ năng kỹ thuật cho công việc hoặc triển vọng công việc của bạn là một lý do hợp lệ, nhưng kỹ năng kỹ thuật là một phần của phương trình

Trước khi bắt đầu, tôi khuyên bạn nên xác định giá trị bạn muốn cung cấp hoặc loại dự án nào bạn muốn xây dựng bằng những kỹ năng này. Gần giống như một tuyên bố sứ mệnh học tập. Điều này sẽ hữu ích bằng cách thu hẹp phạm vi các công cụ để học cũng như giúp bạn xác định tác động mà bạn có thể tạo ra bằng cách học những công cụ mới này

Và hãy nhớ rằng Python có thể là một phần của phương trình. Có rất nhiều mảnh khác cho câu đố để bao gồm là tốt. cơ sở dữ liệu và SQL, công cụ máy tính để bàn, API và ứng dụng. Python có thể giúp bạn thực hiện bất kỳ thao tác không gian địa lý nào nhưng tôi nghĩ nó đặc biệt tỏa sáng trong các lĩnh vực như phân tích không gian, mã lặp lại và xử lý dữ liệu, phát triển vi dịch vụ không gian địa lý, khoa học dữ liệu không gian và tạo phân tích trong sổ ghi chép

Bây giờ bạn đã có bộ đó, hãy chuyển sang danh sách

1. Python không gian địa lý – MapScaping Podcast

MapScaping Podcast là một trong những diễn đàn yêu thích của tôi dành cho cộng đồng không gian địa lý vì có rất nhiều ý tưởng từ các chuyên gia không gian địa lý trong cộng đồng đã được trình chiếu

Phần cụ thể này nói về lý do tại sao Python là một công cụ tuyệt vời cho không gian địa lý và đối với những bạn có nền tảng về GIS, đây sẽ là phần giới thiệu hay về Python với tư cách là khách mời, Anita Graser, đã phát triển rất nhiều tài nguyên bằng Python cho

2. Python và Phân tích không gian địa lý – GIS Lounge

Một tài liệu tuyệt vời khác về cách Python đã phát triển trong không gian địa lý và các trường hợp sử dụng mà bạn có thể sử dụng nó, cũng như giải thích lý do tại sao nó trở nên phổ biến trong không gian địa lý và GIS

3. Tại sao lại dùng Python cho GIS?

Tôi thích phần mở đầu ngắn gọn và thú vị này về lý do tại sao bạn nên chọn sử dụng Python cho các quy trình không gian địa lý và GIS của mình. Họ không chỉ có một cái nhìn tổng quan tuyệt vời về một số thư viện khác nhau, mà còn có một danh sách ngắn gọn và thú vị về lý do tại sao Python là một lựa chọn tuyệt vời cho không gian địa lý.

“Tại sao lại sử dụng Python cho GIS” từ GeoPython

Giới thiệu về Python GIS — Tài liệu GeoPython – AutoGIS 1

Bây giờ khi chúng ta đã biết kiến ​​thức cơ bản về lập trình Python, chúng ta đã sẵn sàng
áp dụng những kỹ năng đó cho các nhiệm vụ khác nhau liên quan đến GIS. Trong
bảy tuần tới, chúng ta sẽ học cách xử lý và phân tích dữ liệu không gian
bằng cách sử dụng Python “thuần túy”.

4. 5 lý do để học Python cho khoa học dữ liệu

Một loạt lý do ngắn gọn giải thích tại sao Python lại tuyệt vời cho khoa học dữ liệu chung, nhưng vẫn có thể áp dụng cho không gian địa lý vì có rất nhiều lĩnh vực chồng chéo mà bạn có thể tìm hiểu và mở rộng sau khi đã học Python

5. Dữ liệu không gian, Phân tích không gian, Khoa học dữ liệu không gian – Luc Anselin

Mặc dù video này không tập trung trực tiếp vào Python, nhưng video này cung cấp cho bạn (theo ý kiến ​​​​của tôi) phần giới thiệu tốt nhất về những thách thức và lý do tại sao thực hành khoa học dữ liệu không gian lại quan trọng. Tất nhiên, rất nhiều phân tích được thực hiện bằng Python và danh sách phát video này là một phần của chuỗi video hoàn chỉnh đi sâu vào một số khái niệm chính trong khoa học dữ liệu không gian. Ở phần sau của bài đăng, sẽ có một số hướng dẫn chỉ cho bạn cách thực sự áp dụng các nguyên tắc này vào thực tế với Python

Làm thế nào tôi có thể bắt đầu?

Bước tiếp theo là thực sự bắt đầu với Python. Có nhiều cách khác nhau để thực sự sử dụng và viết mã trong Python và bạn sẽ cần tìm cách phù hợp nhất với mình. Đây có thể là

• Trình chỉnh sửa mã hoặc IDE như VisualStudio hoặc PyCharm
• Một công cụ máy tính xách tay như Jupyter
• Trên giao diện dòng lệnh
• Môi trường ảo cục bộ sử dụng môi trường ảo
• Sử dụng môi trường được chứa trong Docker

Tùy thuộc vào mức độ phức tạp hoặc tùy chỉnh mà bạn muốn thực hiện, tôi khuyên bạn nên bắt đầu với sổ ghi chép Jupyter vì chúng khá đơn giản để bắt đầu làm việc và thậm chí còn có các phiên bản được lưu trữ của các công cụ đó để bạn có thể bắt đầu mà không cần bất kỳ thiết lập nào

Các bài viết này sẽ chỉ cho bạn tất cả các cách để làm việc với Python, cài đặt các gói và cuối cùng là giúp bạn đưa ra những quyết định đó cho chính mình

6. Cài đặt Python – Python thực

Nếu bạn Google “cách cài đặt Python”, các bài viết hiển thị nhiều khả năng sẽ chỉ cho bạn cách cài đặt Python cục bộ trên máy của bạn. Hướng dẫn này hướng dẫn bạn cách thực hiện điều đó. Điều này sẽ cho phép bạn mở và chạy tệp Python từ máy tính của mình thông qua dòng lệnh

Tôi thường không sử dụng Python theo cách này vì tôi thường sử dụng môi trường phát triển để thực sự chạy và tương tác với mã trên máy chủ ảo hoặc trong môi trường sổ ghi chép, nhưng việc cài đặt Python cục bộ sẽ giúp bạn sắp xếp các tác vụ đó

Bên cạnh đó, Real Python có một số hướng dẫn tốt hơn về mọi thứ Python

Hướng dẫn cài đặt và thiết lập Python 3 – Real Python

Bước đầu tiên để bắt đầu với Python là cài đặt nó trên máy của bạn. Trong hướng dẫn này, bạn sẽ tìm hiểu cách kiểm tra phiên bản Python nào, nếu có, bạn có trên máy tính Windows, Mac hoặc Linux của mình và cách tốt nhất để cài đặt phiên bản mới nhất trong mọi môi trường

7. pip – Hướng dẫn đầy đủ – Dinesh Kumar

Python sử dụng các gói để mở rộng và sử dụng các công cụ khác ngoài ngôn ngữ cơ sở và pip là một trong hai tùy chọn để cài đặt các gói đó (conda là tùy chọn khác). Pip thường dễ sử dụng hơn một chút, đó là lý do tại sao tôi giới thiệu nó cho người khác. Có rất nhiều thứ bạn có thể làm với pip, và đây là một hướng dẫn tuyệt vời để sử dụng nó

Pip — Hướng dẫn tham khảo đầy đủ

Một cửa duy nhất cho tất cả các lệnh pip

8. Giới thiệu Máy tính xách tay Jupyter – Python thực

Sổ ghi chép Jupyter cho đến nay đã trở thành một trong những phương pháp tương tác phổ biến nhất với Python. Chúng nhanh chóng và dễ dàng đứng lên, các tệp dễ dàng chuyển và chia sẻ, chúng có thể thêm các công cụ và hình ảnh trực quan khác nhau từ đơn giản đến phức tạp và chúng cho phép bạn chia mã thành các phần nhỏ hơn

Hướng dẫn này chỉ cho bạn cách nhanh nhất và dễ dàng nhất để dựng sổ ghi chép cục bộ. Có nhiều phương pháp phức tạp hơn trong môi trường ảo hoặc trong bộ chứa Docker, nhưng điều này giúp bạn thực hiện trong một vài bước

Máy tính xách tay Jupyter. Giới thiệu – Real Python

Trong hướng dẫn Python từng bước này, bạn sẽ tìm hiểu cách bắt đầu với The Jupyter Notebook, một ứng dụng web mã nguồn mở mà bạn có thể sử dụng để tạo và chia sẻ tài liệu chứa mã trực tiếp, phương trình, hình ảnh trực quan và văn bản

9. Giải pháp máy tính xách tay được lưu trữ

Nếu bạn không muốn sử dụng sổ ghi chép cục bộ, có rất nhiều tùy chọn để sử dụng các dịch vụ sổ ghi chép được lưu trữ và quản lý để sử dụng mà bạn không phải duy trì, bạn chỉ cần đăng nhập và bắt đầu sử dụng chúng. Nhiều người trong số họ cũng bao gồm một số thư viện đóng gói sẵn. Dưới đây là các nhà cung cấp sổ ghi chép được lưu trữ yêu thích của tôi

• Hướng dẫn dành cho người mới sử dụng Google Colab
• Sổ tay nền tảng đám mây của Google
• Chế độ phân tích

Bắt đầu với Google Colab

Hướng dẫn cơ bản cho người thất vọng và bối rối

10. Bộ chứa Docker không gian địa lý Jupyter của tôi

Cách chính mà tôi sử dụng sổ ghi chép Jupyter là thông qua Docker. Docker luôn tạo ra một môi trường trong sạch và tôi cũng có thể xây dựng Dockerfile để bao gồm các thư viện khác bằng các ngôn ngữ khác nhau như libpostal để phân tích cú pháp địa chỉ. Bạn có thể thêm các thư viện khác và nếu bạn chia sẻ tệp, bất kỳ ai có Docker đều có thể chạy từ cùng một môi trường

GitHub – mbforr/docker-cartoframes. Gói Docker để chạy CARTOFrames

Gói Docker để chạy CARTOFrames. Đóng góp cho sự phát triển của mbforr/docker-cartoframes bằng cách tạo một tài khoản trên GitHub

Python cơ bản

Python là một ngôn ngữ rất dễ tiếp cận và các nhà thiết kế của nó bao gồm Guido van Rossum và Tim Peters đã thực sự thiết kế ngôn ngữ này theo các nguyên tắc hướng dẫn của Python (bạn có thể thấy chúng bằng cách chạy lệnh nhập này trong Python)

Kết quả nhập cái này

Đối với hầu hết mọi thứ trong không gian địa lý, bạn phải đối mặt với thử thách “làm được tất cả các giao dịch, không làm chủ được gì”. Điều tôi muốn nói ở đây là không gian địa lý yêu cầu các kỹ năng kỹ thuật trên nhiều ngôn ngữ và thực tiễn. công cụ dòng lệnh, SQL, Python, ngôn ngữ giao diện người dùng, v.v.

Python có thể làm nhiều thứ khác nhau. Có rất nhiều trường hợp sử dụng cho nó, đó là lý do tại sao nó có vẻ quá sức và chúng tôi sẽ đề cập đến một số trường hợp đó ở đây. Tin tốt là các khái niệm cơ bản của Python siêu dễ dịch. Dưới đây là một số khái niệm chính cần biết cho dù bạn đang làm gì với Python

• Các kiểu dữ liệu (chuỗi, số, danh sách, từ điển, bộ dữ liệu, bộ, v.v. )
• Câu điều kiện (if, while, for, try, with, v.v. )
• Chức năng
• mô-đun
• Các lớp học

11. Những bước đầu tiên của Python – Python thực

Một lần nữa, Real Python FTW. Đây là một tài nguyên tuyệt vời sẽ hướng dẫn bạn từng bước một số khái niệm cơ bản trong Python mà bạn có thể làm theo cùng với các bài tập thực tế. Đây chắc chắn là điểm khởi đầu tuyệt vời cho bất kỳ ai muốn bắt đầu với Python

Cách sử dụng Python. Những bước đầu tiên của bạn – Real Python

Trong hướng dẫn từng bước này, bạn sẽ tìm hiểu những kiến ​​thức cơ bản về cách sử dụng Python. Với kiến ​​thức này, bạn sẽ có thể bắt đầu mã hóa các ứng dụng Python của mình

12. Học Python – learnpython. tổ chức

Đây là một hướng dẫn chuyên sâu hơn so với Real Python ở trên và đi sâu hơn vào một số lĩnh vực khác nhau. Có nhiều nội dung hơn nhưng cũng có các ví dụ về mã nội tuyến mà bạn có thể chạy ngay trong khóa học

Học Python – Hướng dẫn Python tương tác miễn phí

học trăn. org là một hướng dẫn Python tương tác miễn phí dành cho những người muốn học Python nhanh chóng

13. Python Zero to Hero – TK

Tôi đã sử dụng bài đăng này một vài lần chỉ để xem lại các khái niệm chính của Python ở định dạng rất rất nhanh. TK đã làm rất tốt khi đưa ra nhiều nguyên tắc cơ bản ở đây cùng với một số ví dụ mã ở định dạng bắt đầu nhanh cổ điển

14. Giới thiệu Python của W3Schools

Tôi thích hướng dẫn này vì nó là một cách tiếp cận rất đơn giản để học Python. Hướng dẫn nhanh chóng và dễ dàng, và nếu bạn nhớ rằng trọng tâm là tìm hiểu các nguyên tắc cơ bản của ngôn ngữ, chứ không phải mọi sắc thái và trường hợp sử dụng, thì hướng dẫn này có thể giúp bạn làm điều đó trong một khoảng thời gian rất ngắn

15. Hướng dẫn dành cho người mới sử dụng Python trên YouTube

Nếu bạn học tốt hơn bằng cách xem video và các ví dụ trực tiếp, tôi khuyên bạn nên dùng hai video YouTube này hướng dẫn các kiến ​​thức cơ bản về Python. Một cách tiếp cận khác là thử một số khóa học trên Udemy hoặc Code Academy nhưng nếu bạn muốn có một số hướng dẫn miễn phí tuyệt vời thì đây là một nơi tuyệt vời để bắt đầu

Python nâng cao

Khi bạn đã nắm vững kiến ​​thức cơ bản, có một số chủ đề nâng cao khác đáng để nghiên cứu, đặc biệt nếu bạn muốn làm những việc nâng cao hơn như phát triển thư viện của riêng mình hoặc có thể xây dựng các dịch vụ phụ trợ

16. 10 chủ đề phải biết về Python cho khoa học dữ liệu

Hướng dẫn này cung cấp một số đoạn mã nhanh và dễ hiểu để giải thích một số khái niệm sâu hơn và phức tạp hơn như lớp, hàm, hiểu danh sách, lambdas, bộ, bộ dữ liệu, v.v.

10 chủ đề Python phải biết cho khoa học dữ liệu

Những gì Pandas hoặc Matplotlib không dạy cho bạn

17. Mọi thứ về Python — Sơ cấp đến Nâng cao

Đây là một con đường thực sự dài nhưng tôi nghĩ rằng nó cần một con đường thực sự tốt đẹp từ đầu đến nâng cao hơn và cho phép bạn đánh giá tiến trình của mình để xem bạn đang ở đâu và bạn cần/muốn học thêm điều gì

Mọi thứ về Python — Sơ cấp đến nâng cao

Mọi thứ bạn cần biết trong một bài viết

Mọi thứ về Python — Sơ cấp đến nâng cao

Mọi thứ bạn cần biết trong một bài viết

18. Lộ trình học Python thực, Hướng dẫn nâng cao và Kỹ năng khoa học dữ liệu cốt lõi

Bạn có ngạc nhiên khi thấy nhiều hơn từ Real Python không? . Đầu tiên là phần Lộ trình học tập cho phép bạn xem tất cả các lộ trình khả thi khác nhau mà bạn có thể thực hiện với Python – một trong số đó là các kỹ năng Khoa học dữ liệu cốt lõi – sẽ là chìa khóa với rất nhiều thư viện không gian địa lý mà chúng ta sẽ xem xét sau này. Ngoài ra còn có một số Hướng dẫn Python nâng cao cụ thể để tập trung vào các trường hợp sử dụng được nhắm mục tiêu. Các khóa học này có một số nội dung miễn phí và một số trả phí

• Real Python – Lộ trình học tập
• Real Python – Hướng dẫn nâng cao
• Real Python – Khoa học dữ liệu Kỹ năng cốt lõi của Python

Tôi có thể sử dụng Python như thế nào?

Nếu bây giờ bạn vẫn chưa đoán ra thì câu trả lời có rất nhiều cách khác nhau. Mặc dù các trường hợp sử dụng mà tôi đang tập trung vào ở đây liên quan đến các kỹ năng Python chung được sử dụng trùng lặp với không gian địa lý, nhưng có rất nhiều cách khác mà Python được sử dụng như DevOps, tạo trang web, phát triển web, lập trình GUI, v.v. Hãy đi sâu vào một số lĩnh vực có sự trùng lặp với không gian địa lý

19. Xử lý dữ liệu và viết kịch bản

Python là một lựa chọn tuyệt vời để đọc và ghi tệp dữ liệu, thao tác dữ liệu, đọc dữ liệu từ cơ sở dữ liệu và viết kịch bản để thay đổi và thao tác dữ liệu

Pandas đã và đang trở thành thư viện được lựa chọn để làm việc với đầy đủ các loại dữ liệu. Hướng dẫn sử dụng và hướng dẫn của Pandas là nơi tốt nhất để bắt đầu và sẽ luôn có thông tin cập nhật, cộng với nó sẽ giúp bạn tìm hiểu cách điều hướng tài liệu của họ (một trong những kỹ năng lớn sẽ giúp bạn trở thành một Python độc lập hơn . Ngoài ra còn có hai video tuyệt vời sẽ giúp bạn bắt đầu – Pandas trong 10 phút và hướng dẫn dài hơn 3 giờ. Cuối cùng, có một mánh gian lận tuyệt vời để giúp bạn nhanh chóng tham khảo các khái niệm sau khi bạn thiết lập và chạy

Hướng dẫn sử dụng — pandas 1. 3. 4 tài liệu

© Bản quyền 2008-2021, nhóm phát triển pandas

Hướng dẫn bắt đầu — pandas 1. 3. 4 tài liệu

© Bản quyền 2008-2021, nhóm phát triển pandas

20. Xây dựng API

Python là một bộ công cụ tuyệt vời để xây dựng các dịch vụ API. Bạn có thể sử dụng tất cả các thư viện và mã giống như bạn đang sử dụng, sau đó sử dụng các thư viện khác để phát triển các dịch vụ này. Cá nhân tôi tin rằng các vi dịch vụ không gian địa lý là một phần quan trọng của ngăn xếp không gian địa lý và đây là một cách tuyệt vời để xây dựng chúng

Flask là thư viện phổ biến nhất để xây dựng API và có một hướng dẫn bắt đầu tuyệt vời bên dưới, cũng như các tài liệu và hướng dẫn bắt đầu cho một công cụ có tên là FastAPI tương tự nhưng chạy nhanh hơn một chút, có GUI tích hợp để phát triển và

Phần cuối cùng là một gói khác chứa bốn thành phần khác nhau. Flask cho các yêu cầu API, Celery để quản lý công việc cho các công việc chạy dài, Docker để chứa và Redis cho bộ nhớ đệm yêu cầu. Đó là một bộ khởi động tuyệt vời dành cho các API sẽ có các tác vụ kéo dài (thường là bất kỳ tác vụ nào kéo dài hơn vài giây)

Hướng dẫn – Hướng dẫn sử dụng – Giới thiệu – FastAPI

Khung FastAPI, hiệu suất cao, dễ học, viết mã nhanh, sẵn sàng để sản xuất

GitHub – mattkohl/docker-flask-celery-redis. Mẫu Docker-Compose để sắp xếp ứng dụng Flask với hàng đợi Celery bằng Redis

Mẫu Docker-Soạn để sắp xếp ứng dụng Flask với hàng đợi Celery bằng Redis – GitHub – mattkohl/docker-flask-celery-redis. Mẫu Docker-Compose để sắp xếp ứng dụng Flask với Cel…

Tạo API Web RESTful bằng Flask và Python

Hướng dẫn toàn diện để xây dựng API Web với Flask

21. Kết nối với cơ sở dữ liệu

Nếu bạn đã đọc các bài viết trước của tôi, bạn sẽ biết rằng tôi là người ủng hộ chính cho việc sử dụng SQL và SQL không gian. Bạn có thể đọc thêm về lý do trong bài đăng này, nhưng có một điều cần lưu ý là nhiều quy trình không gian địa lý có thể chạy bằng cả Python và SQL. Vì vậy, làm thế nào để bạn lựa chọn giữa chúng?

Đây là danh sách cá nhân của tôi (mà tôi luôn phá vỡ để các quy tắc này không được thiết lập sẵn) về thời điểm sử dụng Python so với. SQL

Tôi sử dụng Python khi tôi cần

• Tải và khám phá một số dữ liệu thực sự nhanh chóng từ một tệp phẳng
• Nhanh chóng trực quan hóa một số dữ liệu
• Dịch giữa các định dạng dữ liệu (hoặc tôi sử dụng GDAL trên dòng lệnh)
• Thực hiện phân tích dữ liệu không gian khám phá (luôn có PySAL)
• Phân tích vấn đề thiết kế lãnh thổ
• Thực hiện các bài toán phân bổ vị trí (mặc dù đôi khi tạo ma trận đích gốc trong SQL hiệu quả hơn)
• Gọi API theo chương trình thông qua Python để thu thập dữ liệu

Tôi sử dụng SQL không gian khi tôi cần

• Lưu trữ các bộ dữ liệu không gian lớn hơn mà tôi truy cập thường xuyên
• Thực hiện nối trên các bảng - không gian hoặc cách khác
• Phân tích các mối quan hệ không gian
• Thực hiện kỹ thuật tính năng không gian (bao gồm hầu hết các trường hợp sử dụng)
• Tổng hợp dữ liệu không gian hoặc cách khác
• Create tile sets (although Python is still used in the API service)
• Lộ trình giữa nhiều điểm

Tôi lật giữa SQL không gian và Python khi tôi cần

• Viết các chức năng tùy chỉnh để thao tác dữ liệu của tôi
• Thực hiện mã hóa địa lý (Python thường có nhiều tùy chọn hơn)
• Dự án lại dữ liệu (SQL không gian có lợi thế trong trường hợp này)
• Thao tác hình học
• Tạo các tập hợp dựa trên như H3 hoặc Quadkey
• Thực hiện phân cụm không gian
• Học máy bằng các công cụ như BigQuery ML

Biết khi nào nên sử dụng một trong hai dịch vụ thực sự có thể tăng tốc quy trình làm việc của bạn và đầu tư một chút thời gian vào việc xây dựng cơ sở dữ liệu không gian chắc chắn có thể giúp giữ tất cả dữ liệu của bạn ở một nơi và giúp bạn có được niềm vui khi phân tích dữ liệu nhanh hơn nhiều. Dưới đây là một số phương pháp khác nhau để kết nối với cơ sở dữ liệu trực tiếp từ Python

SQLAlchemy là phương thức Python thực tế để kết nối với cơ sở dữ liệu. Nó có rất nhiều chức năng cho phép bạn lấy dữ liệu nhưng bạn sẽ cần chuyển đổi dữ liệu đó thành Dataframe hoặc GeoDataFram để sử dụng nó với Pandas hoặc Geopandas

Nếu bạn đi theo con đường này và bạn đang sử dụng PostgreSQL/PostGIS thì có một mẹo hay là sử dụng lệnh COPY để đọc dữ liệu vào Pandas, điều này có thể làm giảm đáng kể tốc độ tải. Sau khi thiết lập kết nối của bạn, trong SQLAlchemy, bạn thực sự có thể sử dụng các chức năng tích hợp sẵn để thực hiện việc này với Pandas và Geopandas (ngoài việc ghi dữ liệu trở lại PostGIS trong Geopandas)

Đối với các cơ sở dữ liệu không gian khác, bạn cũng có thể sử dụng GeoAlchemy hoặc nếu bạn đang sử dụng BigQuery, có các thư viện Python để làm việc với dữ liệu từ BigQuery cũng như tạo khung dữ liệu từ dữ liệu đó, mặc dù bạn sẽ phải chuyển hình học từ văn bản sang hình học hợp lệ trong

SQLAlchemy — Hướng dẫn Python

Chúng ta thường gặp dữ liệu dưới dạng Cơ sở dữ liệu quan hệ. Để làm việc với chúng, chúng ta thường cần viết các truy vấn SQL thô, chuyển chúng tới…

gấu trúc. GeoDữ liệuKhung. from_postgis — GeoPandas 0. 10. 2+0. g04d377f. tài liệu bẩn

Hàm tạo thay thế để tạo GeoDataFrame từ truy vấn sql
chứa cột hình học trong biểu diễn WKB.

Cách kết nối và sử dụng cơ sở dữ liệu không gian địa lý trong Python

Với SQLAlchemy, GeoAlchemy & Geopandas

22. Phân tích dữ liệu

Python là tuyệt vời để phân tích dữ liệu và không có thư viện nào tốt hơn Pandas. Tất nhiên, NumPy và các thư viện khác đôi khi sẽ hoạt động nhưng không có gì đánh bại được tính linh hoạt và dễ sử dụng của Pandas

Pandas – hay Thư viện phân tích dữ liệu Python – được bắt đầu vào năm 2008 và được xây dựng nhằm mục đích phân tích dữ liệu. Có rất nhiều nơi bạn có thể học cách sử dụng Pandas nhưng khuyến nghị số một của tôi là sử dụng tài liệu Pandas. Họ có các hướng dẫn chuyên sâu và bạn cũng sẽ tự dạy mình cách tự lập sau này bằng cách điều hướng các tài liệu và học cách sử dụng chúng một cách chi tiết. Nếu bạn đang tìm kiếm phần giới thiệu cơ bản về thư viện, tôi cũng khuyên bạn nên xem bài viết này

Giới thiệu nhẹ nhàng về Pandas

Tôi hy vọng bạn đã có phần giới thiệu thú vị về Numpy vì Pandas xây dựng trên đó. Pandas là gì?

Hướng dẫn bắt đầu — pandas 1. 3. 4 tài liệu

© Bản quyền 2008-2021, nhóm phát triển pandas

23. Học máy

Học máy là một chủ đề rất lớn và tôi luôn được hỏi về nó. cách học và áp dụng học máy cho không gian địa lý. (Lưu ý quan trọng là không trộn lẫn học máy và trí tuệ nhân tạo – hình ảnh này cho bạn thấy chúng có liên quan như thế nào)

AI, học máy và học sâu có liên quan như thế nào

Điều quan trọng cần lưu ý là học máy bao gồm một lĩnh vực rộng lớn – từ nghiên cứu trong học viện, đến một loạt các mô hình cho các trường hợp sử dụng khác nhau, tập trung sâu vào toán học và thống kê, đến kỹ thuật của các mô hình để đảm bảo hiệu suất – có

Biểu đồ Venn của khoa học dữ liệu

All this is to say that it is unlikely that you can learn everything about all aspects of machine learning, but you can learn how to functionally practice machine learning with the many amazing tools and libraries that are available and the required and recommended steps in the process

Bằng cách tập trung vào mục tiêu của mình, bạn có thể đạt được mục tiêu đó nhiều hơn và cũng đảm bảo rằng bạn có thể áp dụng nước sốt đặc biệt mà bạn mang đến – tư duy không gian địa lý

Học máy rất quan trọng đối với không gian địa lý vì nó cung cấp các khung khác nhau để dự đoán, phân loại và phân cụm dữ liệu. Không gian địa lý rất quan trọng đối với học máy vì nó có thể cung cấp dữ liệu phong phú cho các mô hình khác nhau

Dưới đây là một số tài nguyên yêu thích của tôi cho máy học

Python cho Khoa học dữ liệu và Học máy

Python cho Khoa học dữ liệu và Học máy là một trong những tài nguyên chức năng và yêu thích nhất của tôi để học máy học cũng như Python và Pandas. Nó thực tế, chi tiết ở những nơi cần thiết và có một bộ sổ ghi chép đầy đủ với các ví dụ. Đây là một khóa học trả tiền nhưng

Tìm hiểu Python về Khoa học dữ liệu, Cấu trúc, Thuật toán, Phỏng vấn

Tìm hiểu cách sử dụng NumPy, Pandas, Seaborn, Matplotlib, Plotly, Scikit-Learn, Machine Learning, Tensorflow, v.v.

Hướng dẫn hoàn chỉnh về dự án Machine Learning bằng Python

Đây là hướng dẫn yêu thích nhất mọi thời đại của tôi về học máy. Nó toàn diện, có sổ ghi chép ví dụ, đi sâu vào chi tiết tất cả các bước cần thiết và cung cấp các mô tả rõ ràng cho từng bước chính trong một dự án khoa học dữ liệu. Will là một tác giả tuyệt vời và có rất nhiều nội dung tuyệt vời khác, nhưng bạn có thể sử dụng khung này và thậm chí cả mã để bắt đầu xây dựng dự án của riêng mình và từng bước một

Hướng dẫn học máy hoàn chỉnh trong Python. Phần một

Đặt các phần học máy lại với nhau

Hướng dẫn học máy hoàn chỉnh trong Python. Phần hai

Lựa chọn mô hình, điều chỉnh siêu tham số và đánh giá

Hướng dẫn học máy hoàn chỉnh trong Python. Một phần ba

Giải thích một mô hình học máy và trình bày kết quả

Các nguồn lực khác

Như tôi đã nói trước đó, học máy là một chủ đề lớn và bài viết này, Cảm giác học Khoa học dữ liệu năm 2019 như thế nào, đã làm rất tốt việc giải thích mức độ phức tạp của nó và tất cả các con đường khác nhau mà bạn có thể thực hiện. Tôi cũng đề xuất Khoa học dữ liệu đã trở nên quá mơ hồ nói về cách “khoa học dữ liệu” đã trở thành một thuật ngữ dễ hiểu và tại sao nên xác định nhiều vai trò hơn. Hướng dẫn học máy thực tế với Giới thiệu Python cũng có rất nhiều hướng dẫn khác nhau ngắn gọn và hấp dẫn trên nhiều loại mô hình khác nhau

24. Gọi API

Cuối cùng, nhiều API khác nhau đi kèm với thư viện Python để thực sự gọi API và sau đó thực hiện các tác vụ khác nhau với dữ liệu đó. Một số thư viện sẽ có các thư viện Python mà họ cung cấp, chẳng hạn như Google Maps hoặc Nominatim sử dụng dữ liệu OSM. Nếu không, bạn luôn có thể gọi API qua thư viện yêu cầu và truy xuất dữ liệu dưới dạng JSON. Bài đăng này cung cấp hướng dẫn tuyệt vời về cách thực hiện việc này. Nếu bạn đang tải dữ liệu vào Dataframe hoặc lưu trữ dữ liệu, hãy đảm bảo kiểm tra các hạn chế đối với API vì có thể cần phải làm mới dữ liệu hoặc các điều khoản không cho phép lưu trữ dữ liệu

Thư viện Python không gian địa lý

Hệ sinh thái không gian địa lý cho Python rất lớn và đa dạng. Có nhiều thư viện khác nhau, mỗi thư viện có mục đích và chức năng riêng. Biết công cụ nào bạn cần cho công việc nào là quan trọng và có thể giúp công việc của bạn hiệu quả hơn và nhanh hơn

Hệ sinh thái Python không gian địa lý đang phát triển nhanh chóng, cả về số lượng thư viện và những người sử dụng các thư viện này. Điều đó nói rằng, có một số thành phần cốt lõi là một phần của hầu hết các quy trình công việc chính mà bạn nên biết để bắt đầu. Lưu ý rằng đây là những thư viện và công cụ mà tôi sử dụng nhiều nhất nên chắc chắn còn nhiều cách khác mà bạn nên khám phá

25. gấu trúc

Geopandas, hay anh em họ không gian địa lý của Pandas, là con dao của Quân đội Thụy Sĩ không gian địa lý của bạn dành cho Python không gian địa lý. Bạn có thể

• Đọc dữ liệu từ nhiều định dạng
• Xuất dữ liệu sang nhiều định dạng
• trực quan hóa dữ liệu
• Đánh giá các mối quan hệ không gian
• dữ liệu từ chối
• Trực quan hóa dữ liệu của bạn
• Thao tác hình học như đơn giản hóa và tạo vỏ lồi
• Thêm các chỉ số không gian để truy vấn và phân tích nhanh hơn

Theo tôi, Geopandas là nơi tốt nhất để bắt đầu học Python không gian địa lý. Nó hoạt động cùng với Pandas và bạn có thể sử dụng tất cả các chức năng từ Pandas với Geopandas

Nó có rất nhiều chức năng có trong các quy trình công việc GIS phổ biến và nhiều hoạt động của nó được xây dựng dựa trên các thư viện Python không gian địa lý cốt lõi khác như fiona, GDAL và shapely để bạn vẫn có thể sử dụng chức năng đó mà không nhất thiết phải biết tất cả các chi tiết của các thư viện đó (

Nơi tốt nhất để bắt đầu học Geopandas là tài liệu của họ. Họ có các hướng dẫn tuyệt vời và hướng dẫn bắt đầu cùng với các tài liệu và mỗi hướng dẫn bao gồm một sổ ghi chép có thể mở hoặc tải xuống

Giới thiệu về GeoPandas — GeoPandas 0. 10. 2+0. g04d377f. tài liệu bẩn

Ghi chú

26. Fiona

Nếu công việc của bạn liên quan đến việc thay đổi định dạng dữ liệu không gian địa lý hoặc thao tác với dữ liệu vectơ thì việc tìm hiểu Fiona là một ý kiến ​​hay. Fiona là thư viện mở tệp trong Geopandas và là một lớp trừu tượng ít hơn nếu bạn muốn xử lý dữ liệu nhanh hơn

Tài liệu của họ có hướng dẫn tuyệt vời về cách đọc các loại dữ liệu khác nhau và các công cụ khác. Tôi đã sử dụng điều này để chuyển đổi các loại tệp và đọc dữ liệu từ lưu trữ đám mây rất nhiều và nó hoạt động rất tốt nếu bạn cần thực hiện việc này trong một đường dẫn dữ liệu, nhưng không muốn đi sâu hơn một cấp vào GDAL

1 Hướng dẫn sử dụng Fiona — Fiona 2. tài liệu 0dev

Sean Gillies,

27. GDAL

Nói về GDAL, thư viện tuyệt vời và phổ biến này có bộ liên kết Python riêng. GDAL được nhúng trong rất nhiều công cụ và thư viện khác nhau và bạn có thể sử dụng nó trong quy trình làm việc của riêng mình cho nhiều tác vụ khác nhau như tạo hình học, phép tính, mối quan hệ, thay đổi loại tệp, phép chiếu, v.v.

Nếu bạn đang thực hiện kỹ thuật dữ liệu nặng để làm việc với lượng dữ liệu lớn, GDAL là một lựa chọn tuyệt vời vì đây là thư viện cấp thấp nhất để thực hiện các thao tác này, do đó bạn có thể tiết kiệm rất nhiều thời gian bằng cách sử dụng GDAL khi bạn mở rộng quy mô đó cho nhiều thao tác. Tôi thường sử dụng GDAL ở cấp độ dòng lệnh nhưng Python cũng là một cách tuyệt vời để sử dụng nó

Chào mừng bạn đến với Sách dạy nấu ăn Python GDAL/OGR. — Sách dạy nấu ăn Python GDAL/OGR 1. 0 tài liệu

Sách dạy nấu ăn này có các đoạn mã đơn giản về cách sử dụng API GDAL/OGR của Python. Trang web
là một dự án tại GitHub và được cung cấp bởi các Trang Github. Nếu bạn thấy công thức nấu ăn bị thiếu hoặc lỗi
trong các công thức nấu ăn hiện có, vui lòng thêm vấn đề vào trình theo dõi vấn đề.

28. PySAL

Nếu bạn nghiêm túc về khoa học dữ liệu không gian và mô hình hóa không gian, thì bạn cần biết PySAL. PySAL, hay Thư viện phân tích không gian Python thực sự là một tập hợp của nhiều thư viện nhỏ hơn khác nhau. Nó được viết và duy trì bởi một số bộ óc không gian địa lý tốt nhất thực hành khoa học dữ liệu không gian bằng cách sử dụng các nguyên tắc học thuật hợp lý. Các mô-đun trong PySAL bao gồm

• esda. Một thư viện để thực hiện phân tích dữ liệu không gian khám phá hoặc tự tương quan không gian
• ham chơi. Extension to esda for spatio-temporal data
• bất bình đẳng. Thư viện để đo bất bình đẳng không gian
• mẹ bỉm sữa. “momepy là một thư viện để phân tích định lượng về hình thái đô thị” hoặc hình thái đô thị
• pointpats. Supports the spatial and statistical analysis of point data
• sự phân biệt. Công cụ đo lường sự phân biệt theo không gian và thời gian
• mì ống Ý. Spaghetti hỗ trợ phân tích không gian của đồ thị, mạng, cấu trúc liên kết và suy luận
• tới gần. “Cho dù bạn làm việc với dữ liệu về sức khỏe, bán lẻ, việc làm hay các lĩnh vực khác, các biện pháp tiếp cận không gian giúp xác định sự không phù hợp tiềm ẩn về không gian giữa cung và cầu dịch vụ”
• mgwr. Thư viện để thực hiện các mô hình hồi quy có trọng số theo địa lý đa quy mô
• spglm. “…nó hỗ trợ ước tính hồi quy Gaussian, Poisson và Logistic chỉ sử dụng ước tính bình phương tối thiểu có trọng số lặp lại (IWLS)”
• xoay tròn. Công cụ phân tích tương tác không gian
• phát hiện. Thư viện để giải quyết các vấn đề tối ưu hóa như khu vực hóa và phân bổ vị trí
• mầm non. Công cụ cho mô hình hồi quy không gian
• spvcm. “…một khung chung để ước tính các mô hình thành phần phương sai tương quan về mặt không gian”
• người uống rượu. Thư viện để thực hiện phép nội suy không gian và diện tích
• truyền thuyết. Thư viện đơn giản để cung cấp huyền thoại với biểu đồ
• phân loại bản đồ. Thư viện cho các phương pháp phân loại bản đồ choropleth
• chia nhỏ. Thư viện trực quan dành riêng cho các mô hình phân tích không gian

Có rất nhiều thứ để đề cập ở đây và rất nhiều bộ công cụ khác nhau để phân tích sâu, và mỗi thư viện đều có các ví dụ và sổ ghi chép dễ thực hiện. There are detailed courses that cover many of these libraries in detail which we will cover later in the post

PySAL

Cấu trúc dữ liệu không gian lõi, tệp IO. Xây dựng và chỉnh sửa tương tác các ma trận trọng số không gian và đồ thị. Hình dạng alpha, chỉ số không gian và mối quan hệ tô pô không gian

29. GeoPy và libpostal

Mã hóa địa lý là điều gì đó có thể rất dễ dàng hoặc là một thách thức đáng kinh ngạc. Nếu bạn đang làm việc với dữ liệu nguyên sơ và được xử lý tốt, thì đó sẽ là một miếng bánh dành cho bạn. Nếu không, và đối với nhiều người trong chúng ta, bạn có thể có dữ liệu lộn xộn được tổng hợp thành một chuỗi duy nhất và bao gồm dữ liệu bổ sung như số tầng hoặc dữ liệu khác

Hai thư viện mà tôi sử dụng để mã hóa địa lý là GeoPy và libpostal. GeoPy cung cấp một thư viện và API phổ biến để mã hóa địa lý đối với hầu hết mọi trình mã hóa địa lý thương mại và mã nguồn mở phổ biến

Libpostal là một thư viện để phân tích cú pháp và chuẩn hóa địa chỉ đường phố bằng cách sử dụng phân tích cú pháp ngôn ngữ tự nhiên và dữ liệu không gian địa lý mở được viết bằng C. Tất cả những gì đã nói, nó không chỉ có thể phân tích chuỗi địa chỉ thành các phần địa chỉ và chuẩn hóa chuỗi địa chỉ

Ví dụ: nếu bạn có một địa chỉ như 123 main st – từ chuẩn hóa cho “st” có thể trả về đường phố, tiểu bang hoặc thánh đường. Nó hỗ trợ rất nhiều ngôn ngữ và các liên kết Python cho phép bạn sử dụng thư viện siêu nhanh này trong Python

Welcome to GeoPy’s documentation. — Geopy 2. 2. 0 tài liệu

GitHub – openvenues/pypostal. Liên kết Python với libpostal để phân tích/chuẩn hóa địa chỉ quốc tế nhanh chóng

Liên kết Python với libpostal để phân tích/chuẩn hóa địa chỉ quốc tế nhanh chóng – GitHub – openvenues/pypostal. Liên kết Python với libpostal để phân tích/chuẩn hóa địa chỉ quốc tế nhanh chóng

30. Folium, Kepler và CARTOframes

Bảng điều khiển CARTOframes

Bản đồ tán lá

Trăn Kepler

Để trực quan hóa, có rất nhiều tùy chọn. Đối với bản đồ tĩnh, bạn có thể sử dụng matplotlib hoặc Geopandas, nhưng bản đồ tương tác thậm chí còn cung cấp nhiều tùy chọn hơn. Tôi sẽ đi sâu vào các hướng dẫn sau trong bài đăng của ba thư viện trực quan hóa yêu thích của tôi

• tán lá. thư viện trực quan hóa tương tác phổ biến nhất sử dụng Tờ rơi và các công cụ khác để cung cấp nhiều chức năng ánh xạ cơ bản
• CARTOframes. một thư viện trực quan đầy đủ tính năng để tạo các bảng điều khiển và ứng dụng hoàn chỉnh với các bộ lọc và các tính năng khác
• Kepler. phiên bản Python của ứng dụng KeplerGL phổ biến cho phép bạn thực hiện các trực quan hóa phức tạp vào sổ ghi chép của mình

31. sơ đồ lá

Trực quan hóa sơ đồ lá

Một gói mới hơn nhưng cần chú ý là Leafmap. Điều tôi thích ở nó là nó tập trung nhiều hình ảnh hóa, mã hóa địa lý, phân tích và các gói khác vào một công cụ duy nhất. Bạn có thể thêm các nguồn dữ liệu cục bộ, được lưu trữ trên đám mây, PostGIS, OSM và các nguồn dữ liệu khác vào bản đồ và nó cung cấp các công cụ đầy đủ tính năng để trực quan hóa và phân tích dữ liệu raster

Thư viện được phát triển bởi Quisheng Wu từ Đại học Tennessee và anh ấy đã làm rất tốt khi không chỉ xây dựng thư viện này mà còn thêm các tài liệu và ví dụ tuyệt vời cùng với kênh YouTube có nhiều video hướng dẫn. Theo dõi anh ấy trên LinkedIn để biết thêm thông tin cập nhật

leafmap

32. rasterio

Nếu bạn làm việc với dữ liệu raster, thì Rasterio sẽ là một gói quan trọng dành cho bạn. It allows you to read, write, create, mask, vectorize, and perform other common operations with raster data. It transforms the data into easy-to-use Python data structures. Để lập mô hình, bạn sẽ cần các công cụ khác nhưng điều này cho phép bạn làm việc và đọc/ghi dữ liệu raster khá dễ dàng

rasterio. truy cập dữ liệu raster không gian địa lý — tài liệu rasterio

Các hệ thống thông tin địa lý sử dụng GeoTIFF và các định dạng khác để tổ chức và
lưu trữ các bộ dữ liệu raster dạng lưới như hình ảnh vệ tinh và mô hình địa hình.
Rasterio đọc và ghi các định dạng này, đồng thời cung cấp API Python dựa trên
Mảng Numpy N chiều và GeoJSON.

33. OSMnx

Bản đồ Isochrone sử dụng OSMnx

OSMnx là một thư viện đáng kinh ngạc được phát triển bởi Geoff Boeing, nó không chỉ cho phép bạn truy vấn và truy xuất dữ liệu từ OpenStreetMap mà còn cho phép bạn tạo các biểu đồ mạng từ dữ liệu đó bằng thư viện NetworkX để cho phép bạn thực hiện rất nhiều phân tích thú vị với mạng lưới đường bộ

You can get any sort of line data that lives in OSM to use. đường, sông, đường dành cho xe đạp, đường tiện ích, v.v. From that data, you can create tools to build routes, create isolines or drive/walk time polygons, even add elevation rasters. Có rất nhiều khả năng và nơi tốt nhất để tìm hiểu là sử dụng sổ ghi chép ví dụ và xem blog của Geoff

Làm tròn các tính năng của OSMnx

OSMnx là gói Python để tải xuống, mô hình hóa, phân tích và trực quan hóa mạng lưới đường phố và dữ liệu không gian khác từ OpenStreetMap một cách nhanh chóng và dễ dàng. Here’s a quick round-up of recent…

GitHub – gboeing/osmnx-examples. Usage examples, demos, and tutorials for OSMnx

Ví dụ sử dụng, trình diễn và hướng dẫn cho OSMnx. Đóng góp vào sự phát triển gboeing/osmnx-examples bằng cách tạo một tài khoản trên GitHub

34. ORTools

Nếu bạn đang thực hiện bất kỳ phân tích nào bao gồm các vấn đề hậu cần như vấn đề định tuyến phương tiện hoặc vị trí cơ sở, thì ORTools là một trong những thư viện tốt nhất để sử dụng. Đó là một thư viện cấp rất thấp, nghĩa là nó thực hiện các chức năng rất cụ thể để tính toán các tuyến đường tối ưu, do đó bạn sẽ cần kết hợp nó với các thư viện khác, nhưng kết quả từ nó khá ấn tượng

định tuyến xe. OR-Tools . Google Developers

Một trong những ứng dụng quan trọng nhất của tối ưu hóa là định tuyến phương tiện, trong đó mục tiêu là tìm các tuyến đường tốt nhất cho một nhóm phương tiện ghé thăm một tập hợp các địa điểm. Thông thường, "tốt nhất" có nghĩa là các tuyến đường có tổng khoảng cách hoặc chi phí ít nhất. Here are a few examples of routing…

35. Python không gian địa lý trên GitHub

This guide by Qiusheng Wu has a complete list of just about every and any geospatial Python library you might ever need or want. Đó là hướng dẫn đi đến. Đánh dấu trang này và bất cứ lúc nào bạn cần giải quyết vấn đề, hãy kiểm tra tại đây và nhiều khả năng sẽ có điều gì đó sẽ giúp bạn giải quyết

GitHub – giswqs/python-geospatial. A collection of Python packages for geospatial analysis with binder-ready notebook examples

Một bộ sưu tập các gói Python để phân tích không gian địa lý với các ví dụ về sổ ghi chép có sẵn chất kết dính – GitHub – giswqs/python-geospatial. A collection of Python packages for geospatial analysis with binder-…

Working with spatial data in Python

One of the first things you will need to do with geospatial Python is to work with geospatial data, and these are my favorite guides and tutorials to get started

36. Geo-Python 2021 từ Đại học Helsinki

I really like this free tutorial from the University of Helsinki. Nó thực hiện rất tốt việc xem xét một số nguyên tắc chính của Python và các thư viện khác, sau đó chỉ ra cách bạn có thể áp dụng chúng cho dữ liệu không gian địa lý. Mỗi bài học có mục tiêu chi tiết và bài học để làm theo

Chào mừng đến với Geo-Python 2021

37. Python để phân tích không gian địa lý

Hướng dẫn ngắn gọn và ngắn gọn nói về cách đọc, trực quan hóa và làm việc với dữ liệu vectơ và dữ liệu raster trong Python. Really well-annotated examples in notebooks that are ready to use. Nếu bạn quen thuộc với Python, điều này sẽ giúp bạn bắt đầu nhanh chóng

Python để phân tích không gian địa lý

Python để phân tích không gian địa lý của Tomas Beuzen 🚀 Giới thiệu về sắp xếp, vẽ đồ thị và lập mô hình dữ liệu không gian địa lý bằng Python

38. Tự động hóa quy trình GIS

Tiêu đề của khóa học này có thể gây hiểu lầm một chút vì nó hoàn toàn là một trong những tài nguyên miễn phí chuyên sâu nhất về Python không gian địa lý. Khóa học này bao gồm Geopandas, mã hóa địa lý, liên kết không gian, hàng xóm gần nhất, trực quan hóa, đọc dữ liệu và tự động hóa quy trình dữ liệu. It has built-in exercises and very well-documented examples. If you need a place to start, this is one of the best

Chào mừng bạn đến với Giới thiệu về Python GIS -khóa học 2018. — Intro to Python GIS documentation

39. Phân tích không gian và Khoa học dữ liệu không gian địa lý với Python & Khoa học dữ liệu không gian địa lý hoàn chỉnh với Khóa học Python

If you learn better with tutorials and videos, nothing is better than these two courses from Abdishakur Hassan, one of the best writers on the topic of spatial data science and geospatial Python. Nếu bạn chưa xem qua nhiều hướng dẫn của anh ấy trên Medium, thì hãy chắc chắn làm như vậy, nhưng các khóa học của anh ấy tổng hợp rất nhiều khái niệm và bài học đó ở một nơi. Unlike a lot of Udemy courses, they focus on the important content and are in-depth yet concise

Phân tích không gian và khoa học dữ liệu không gian địa lý với Python

Learn how to process and visualize geospatial data and perform spatial analysis using Python

The Complete Geospatial Data Science with Python Course

Tìm hiểu Geopandas, Shapely, Fiona và Rasterio với nhiều Thư viện khoa học dữ liệu khác bao gồm Pandas & Matplotlib

40. Video giới thiệu Geopanda

If you want to focus on Geopandas then this is a great video to get started. One single topic but a great way to kick things off

41. Geocoding with GeoPy

Khóa học Quy trình GIS tự động hóa có một phần tuyệt vời đáng để gọi nếu bạn cần trợ giúp cụ thể về mã hóa địa lý. Phần này chỉ cho bạn cách bắt đầu với GeoPy và bạn sẽ bắt đầu và chạy trong vài phút

Mã hóa địa lý — Giới thiệu về tài liệu Python GIS

Mã hóa địa lý, tôi. e. chuyển đổi địa chỉ thành tọa độ hoặc ngược lại
là một nhiệm vụ GIS thực sự phổ biến. May mắn thay, trong Python có những thư viện hay
giúp mã hóa địa lý thực sự dễ dàng. Một trong những thư viện có thể
mã hóa địa lý cho chúng tôi là
geopy giúp dễ dàng
xác định tọa độ của các địa chỉ

42. chùm tia địa lý

This is a great tool for Geospatial Data Engineers or anyone working with really massive volumes of data who also use BigQuery. geobeam mở rộng Apache Beam, cho phép truyền dữ liệu quy mô lớn sang một nguồn khác và khi chạy trên Google Cloud Dataflow, nó có thể lan truyền quy trình giữa nhiều công nhân, tăng tốc đáng kể quá trình nhập

Cá nhân tôi đã sử dụng điều này để nhập, định hướng lại, đa giác hóa và xác thực dữ liệu raster quy mô lớn (130M+ pixel và 2GB+ tệp), nhưng Travis Webb, người tạo ra geobeam, đã mở rộng thành một số hàng TB và 25B dữ liệu trong một vài

GitHub – GoogleCloudPlatform/dataflow-geobeam

Đóng góp cho sự phát triển của GoogleCloudPlatform/dataflow-geobeam bằng cách tạo một tài khoản trên GitHub

43. Mẹo hiệu suất cho Geospandas

A few months ago I shared some comparisons of spatial joins between Python and spatial SQL on LinkedIn, and many people shared their tips and tricks to speed up performance both in spatial SQL queries and in Python. These tips from Joris Van den Bossche and Pedro Camargo help to significantly speed up spatial joins in Geopandas using spatial indexing

Bảng điều khiển và trực quan hóa

Một trong những điều tuyệt vời về Python không gian địa lý là bạn có thể tạo trực quan hóa trong sổ ghi chép bằng Python. Sổ ghi chép có thể được chia sẻ và chạy lại, đồng thời có thể nhanh chóng thay đổi và điều chỉnh các tham số để tạo bản đồ mới. Bạn có thể tạo các bản đồ tĩnh có thể được chia sẻ dưới dạng hình ảnh, bản đồ tương tác và bản đồ có thể xuất bản

44. Trực quan hóa dữ liệu với Geopandas

Mặc dù bạn có thể tùy chỉnh và tạo bản đồ của riêng mình bằng các thư viện như Matplotlib hoặc các thư viện khác, nhưng Geopandas có một số chức năng tích hợp sẵn để vẽ bản đồ bao gồm chú giải, hợp âm, phép chiếu và lớp. Đây là tất cả các bản đồ hình ảnh tĩnh nhưng có thể hữu ích nếu bạn cần kiểm tra nhanh dữ liệu của mình

Công cụ lập bản đồ và đồ thị — GeoPandas 0. 10. 2+0. g04d377f. tài liệu bẩn

geopandas cung cấp giao diện cấp cao cho thư viện matplotlib để tạo bản đồ. Mapping shapes is as easy as using the plot() method on a GeoSeries or GeoDataFrame

45. CARTOframes

CARTOframes thêm các khả năng bổ sung để trực quan hóa dữ liệu trong sổ ghi chép Jupyter. Bạn có thể tạo các bản đồ sê-ri, tĩnh, tương tác và xây dựng bảng điều khiển quy mô đầy đủ với các bộ lọc, tiện ích con, hoạt ảnh, cửa sổ bật lên, chú thích, v.v. You can visualize local GeoDataFrames as well as data loaded from a CARTO account if you have one. It also comes preloaded with different color schemes for different data types. Dưới đây là một số hướng dẫn để bắt đầu cho các trường hợp sử dụng đơn giản và nâng cao, cũng như một số ví dụ về các trường hợp sử dụng phân tích

CARTOframes – Trực quan hóa dữ liệu — Tài liệu — CARTO

As a data scientist, you likely perform data exploration on nearly every project. Exploratory data analysis can entail many things, from finding relevant data and cleaning it to running analysis and building models. The ability to visually analyze and interact with data is key during the exploratory…

CARTOframes – Example Workflows — Documentation — CARTO

A Python package for integrating CARTO maps, analysis, and data services into data science workflows

CARTOframes – Example Workflows — Documentation — CARTO

A Python package for integrating CARTO maps, analysis, and data services into data science workflows

46. Folium

Folium has long been the defacto library for creating interactive maps in Jupyter notebooks. It provides some basic functionality for mapping points, lines, and polygons using familiar tools such as Leaflet. js. You can also save your maps as HTML and publish the finished product

Quickstart — Folium 0. 12. 1 documentation

To create a base map, simply pass your starting coordinates to Folium

Geospatial Analysis using Folium in Python . Work with Location Data

Folium is a simple yet pwoerful Python library for geospatial analysis. Learn how Folium works here and work on two real-world case studies

47. Kepler GL

KeplerGL, the popular web interface for visualizing data, also has a package for visualizing data within a Jupyter notebook. This allows you to quickly add a GeoDataFrame to the map and then visualize it using the point and click GUI just as you would in Kepler to add 3D data, line connections, H3 cells, and more

Kepler. GL & Jupyter Notebooks. Geospatial Data Visualization with Uber’s opensource Kepler. GL

Plot Geospatial data inside Jupyter notebook & Easily interact with Kepler’s User interface to tweak the visualisation

Jupyter Notebook – kepler. gl

kepler. gl for Jupyter User Guide

48. PrettyMaps

This is a really cool library that allows you to create some awesome visualizations from data in OpenStreetMap, and you can customize the styles to create very unique artistic visualizations. PrettyMaps is a basic library meant to create stylistic maps from OSM data. It is also the first package I have seen with an explicit warning against using it to create NFTs

GitHub – marceloprates/prettymaps. A small set of Python functions to draw pretty maps from OpenStreetMap data. Based on osmnx, matplotlib and shapely libraries

A small set of Python functions to draw pretty maps from OpenStreetMap data. Based on osmnx, matplotlib and shapely libraries. – GitHub – marceloprates/prettymaps. A small set of Python functions t…

Machine learning and feature engineering with geospatial data

As I said earlier, machine learning is a massive topic, so for geospatial analysis, understanding how you can use geospatial data to make an impact in machine learning models is critical, along with which models you can use for which geospatial use case. Theo tôi, có một số lĩnh vực mà bạn nên tập trung thời gian khi suy nghĩ về dữ liệu không gian địa lý và học máy

1. Feature engineering using geospatial data, spatial relationships, and more
2. Extracting location data from other sources to use in machine learning
3. Machine learning on or with geospatial data

By first narrowing your scope, you can decide which areas to focus on and when to employ each. From there you can go deep into any one of these areas to focus on what makes the most sense for you and your work

The next section will focus on implicit spatial modeling, so that is next up but for now, we will look at the intersection of machine learning and geospatial data using Python

49. Spatial Feature Engineering from the Geographic Data Science with Python Book

I will cover the rest of this course in the next section, but this chapter of the course/book provides some very clear ideas and definitions on how to provide value with geospatial data by performing spatial feature engineering

You might be asking what feature engineering and spatial feature engineering mean? If so here is a definition of feature engineering

Feature engineering is the process of using domain knowledge to extract features from raw data

Wikipedia

These features are then used to feed into machine learning models to help create and train machine learning models to make them more accurate. The key is that you use your domain knowledge to transform the data into meaningful features for your use case

A simple example of this is turning a date into a day of the week or holiday if you are studying shopping patterns

At its core, spatial feature engineering is the process of developing additional information from raw data using geographic knowledge

Geographic Data Science with PySAL and the PyData Stack

Để đi vào chi tiết hơn, đây là một trích dẫn khác từ khóa học (nó được giải thích rõ ràng đến mức tôi khuyên bạn nên đọc toàn bộ chương này)

Geography is one of the most high-quality, ubiquitous ways to introduce domain knowledge into a problem. everything has a position in both space and time. And, while things that happen near to one another in time do not necessarily have a fundamental relationship, things that are near one another are often related. Thus, space is the ultimate linkage key, allowing us to connect different datasets together in order to improve our models and our predictions. This means that, even for aspatial, “non-geographic” data, you can use spatial feature engineering to create useful, highly-relevant features for your analysis

Geographic Data Science with PySAL and the PyData Stack

Geospatial is one of the most important yet in my opinion underutilized features in machine learning today. Because of this, it is a great way to make an impact in your organization no matter if you are a data scientist learning geospatial or vice versa

And this section of this course does an incredible job exploring different methods for spatial feature engineering and providing concrete Python examples alongside it

Spatial Feature Engineering — Geographic Data Science with Python

In machine learning and data science, we are often equipped with tons of data. Indeed, given the constellation of packages to query data services, free and open source data sets, and the rapid and persistent collection of geographical data, there is simply too much data to even represent coherently…

50. Working with Geospatial Data in Machine Learning

I like this post because it provides some simple methods for creating features from spatial data, and it provides a perspective of someone from outside of geospatial on using geospatial data for feature engineering

Working with Geospatial Data in Machine Learning

Properly handle longitude and latitude in machine learning problems

Working with Geospatial Data in Machine Learning

Properly handle longitude and latitude in machine learning problems

51. Introducing Machine Learning for Spatial Data Analysis

This article does an excellent job of explaining machine learning from both the perspective of a data scientist new to geospatial as well as someone in geospatial new to machine learning. Biểu đồ so sánh này xem xét các loại mô hình trong học máy so với học máy với dữ liệu không gian thực sự có giá trị

Giới thiệu Machine Learning để phân tích dữ liệu không gian

Bài viết này thảo luận về Học máy trong Hệ thống thông tin địa lý GIS, hay nói cách khác là Học máy để phân tích dữ liệu không gian

52. How to Extract Locations from Text with Natural Language Processing

Many times, geospatial data may be hidden inside of text or other data, and using natural language processing is a great way to find location data hidden in other data. Đây là một ứng dụng phổ biến của máy học và bạn có thể sử dụng dữ liệu này để thu thập thông tin vị trí từ nhiều dữ liệu khác

Cách trích xuất vị trí từ văn bản bằng xử lý ngôn ngữ tự nhiên

Quick and Simple Location Extraction with Spacy and Python

mô hình không gian

53. Khoa học dữ liệu địa lý với PySAL và ngăn xếp PyData

Chi tiết về tự tương quan không gian

Nếu bạn nghiêm túc về lập mô hình không gian thực sự, không chỉ học máy với dữ liệu không gian, thì bạn cần dành thời gian làm quen với PySAL cũng như các khái niệm và phân tích mà nó giúp cung cấp. Thực tế, đây là thư viện tốt nhất để lập mô hình không gian và cuốn sách/hướng dẫn này là một trong những cuốn sách hay nhất giúp bạn khái niệm hóa bản thân với nó

This book/guide/course was developed by Sergio J. Rey, Dani Arribas-Bel, and Levi J. Wolf – một số nhà phát triển cốt lõi của PySAL. Họ có kiến ​​thức độc đáo từ nhiều năm học tập, phát triển thư viện Python rất chuyên sâu và kinh nghiệm thực tế để cung cấp các hướng dẫn tuyệt vời về một số chủ đề phức tạp với các ví dụ chi tiết

Đây là nơi để bắt đầu tham gia vào mô hình hóa không gian và khoa học dữ liệu không gian. It can be tricky as these can be complex concepts, but with the guides and detail, and taking it bit by bit, you can do some really amazing work

Home — Geographic Data Science with Python

Sergio J. Rey

54. Khoa học dữ liệu địa lý

Khóa học này đã được dạy cũng như xuất bản trực tuyến trong nhiều năm bởi Dani Arribas-Bel và có hướng dẫn, mã và video đầy đủ về nhiều chủ đề

Everything from working with geospatial data, visualization, spatial weights, exploratory spatial data analysis, clustering, and more are covered here. Đây vừa là điểm khởi đầu tuyệt vời nhưng cũng có chi tiết chuyên sâu cho mọi cấp độ kỹ năng

ENVS363/563 — Khóa học về Khoa học dữ liệu địa lý

Chào mừng bạn đến với Khoa học Dữ liệu Địa lý, một khóa học được thiết kế bởi Tiến sĩ. Dani Arribas-Bel and delivered in its latest instance at the University of Liverpool in the Autumn of 2021

55. Sổ ghi chép ví dụ về PySAL

PySAL có tài liệu tuyệt vời, nhưng có thể khó sắp xếp tất cả các gói để xem bạn cần gói nào cho từng trường hợp sử dụng. Điều đó nói rằng, mỗi thư viện trong gia đình PySAL đều có sổ ghi chép ví dụ tuyệt vời để bạn kiểm tra và sử dụng. Dưới đây là một số yêu thích của tôi

• Exploratory Analysis of Spatial Data. Tự tương quan không gian
• Regionalization, facility location, and transportation-oriented modeling
• Tổng quan về gói truy cập
• sổ ghi chép gói tách biệt

Quan sát trái đất, viễn thám và hình ảnh

Earth observation is a growing field and Python and new machine learning tools are making it even better. Từ nhận dạng hình ảnh của hình ảnh vệ tinh đến mô hình hóa các hiện tượng khác nhau bằng hình ảnh, có rất nhiều khả năng trong lĩnh vực này với Python

56. Học máy không gian địa lý trên GitHub

Danh sách/repo GitHub này có một số liên kết tuyệt vời đến các dự án học máy và học sâu khác nhau, bộ dữ liệu, bài báo, v.v. bằng cách sử dụng hình ảnh vệ tinh và viễn thám. You will have to go through the different projects to find what works for you but this is a great place to learn the art of the possible and find some data to start working with

GitHub – deepVector/máy học không gian địa lý. A curated list of resources focused on Machine Learning in Geospatial Data Science

Danh sách các tài nguyên được tuyển chọn tập trung vào Học máy trong Khoa học dữ liệu không gian địa lý. – GitHub – deepVector/máy học địa không gian. A curated list of resources focused on Machine Learning in Geo…

57. GeoAI trên phương tiện

This publication on Medium is one of my favorites for looking at advanced use cases for using Lidar, imagery, machine learning, deep learning, elevation data, and more. Một số bài viết có mã liên kết và ví dụ, nhưng nhìn chung những bài viết này có thể cung cấp cho bạn ý tưởng tuyệt vời về những gì bạn có thể làm với hình ảnh và Python

GeoAI – Medium

Geospatial Artificial Intelligence. suy nghĩ về nơi AI và GIS giao nhau

58. leafmap and geemap

Tôi đã đề cập đến leafmap trước đó vì nó có rất nhiều công cụ ngoài phân tích hình ảnh cho không gian địa lý, nhưng cả hai thư viện này đều do Qiusheng Wu phát triển đều có các công cụ tích hợp tuyệt vời để phân tích hình ảnh. geomap dành cho những người làm việc với Google Earth Engine và leafmap cho phép bạn làm việc với bất kỳ dữ liệu hình ảnh nào. Có những công cụ tuyệt vời để trực quan hóa dữ liệu này cũng như thực hiện phân tích với giao diện người dùng Whitebox trong Jupyter cho các hoạt động raster khác nhau

Nơi tốt nhất để bắt đầu là xem hướng dẫn trong tài liệu cũng như trang YouTube của Qiusheng Wu

59. Học sâu không gian địa lý

Abdishakur Hassan cũng có một số hướng dẫn từng bước tuyệt vời để sử dụng dữ liệu hình ảnh và quan sát trái đất mà tôi thực sự thích thú

Học sâu cho các ứng dụng dữ liệu không gian địa lý — Phân loại đa nhãn — sử dụng FastAI và PyTorch để gắn nhãn hình ảnh chi tiết

Deep learning for Geospatial data applications — Semantic Segmentation – using the same stack as above to segment images (i. e. rừng và ruộng)

Phân loại lớp phủ đất đa nhãn với Deep Learning – phân loại hình ảnh có nhiều nhãn bằng mạng thần kinh

Học sâu cho các ứng dụng dữ liệu không gian địa lý — Phân loại đa nhãn

Hướng dẫn dành cho người mới bắt đầu và hướng dẫn phân loại ảnh vệ tinh với Fastai

Học sâu cho các ứng dụng dữ liệu không gian địa lý — Phân đoạn ngữ nghĩa

Hướng dẫn và hướng dẫn dành cho người mới bắt đầu về Phân đoạn ảnh vệ tinh với Fastai

Phân loại lớp phủ đất đa nhãn với Deep Learning

Hướng dẫn từng bước về Phân loại Đa nhãn Phân loại độ che phủ đất bằng Mạng lưới thần kinh sâu

Trường hợp sử dụng

Geospatial Python chỉ là mã mà không có ứng dụng, và trong phần này, chúng ta sẽ đi sâu vào một số trường hợp sử dụng khác nhau cho Geospatial Python. Some examples have code and some do not, but hopefully, this will give you some ideas to get started

60. Spatial Interpolation/Downscaling

Nội suy không gian với Python

Thu nhỏ và tổng hợp các Đa giác khác nhau

Tobler — tobler v0+untagged. 1. Hướng dẫn sử dụng g4b921e1

61. Phân tích dữ liệu không gian khám phá

ESDA. Phân tích dữ liệu không gian khám phá — esda v2. 4. 1 sách hướng dẫn

ESDA là một thư viện Python mã nguồn mở để phân tích khám phá dữ liệu không gian. Một gói con của PySAL (Thư viện phân tích không gian Python), nó đang được phát triển tích cực và bao gồm các phương pháp để phân tích tự tương quan không gian toàn cầu và cục bộ

Notebook on nbviewer

Check out this Jupyter notebook

62. Phân cụm không gian

Phân cụm không gian tương tự như các kỹ thuật phân cụm khác nhưng sử dụng mối quan hệ không gian cùng với dữ liệu khác để xác định các cụm hoạt động. Có một số tài nguyên khác nhau để thực sự thực hiện phân cụm không gian bao gồm sử dụng DBSCAN và HDBSCAN. Sách Khoa học dữ liệu địa lý với Python cũng có một chương cụ thể về chủ đề này và cuối cùng, có một trường hợp sử dụng tuyệt vời khi sử dụng dữ liệu này với dữ liệu dày đặc từ CARTO, xem xét các cụm hoạt động trong công viên của Thành phố New York

Point Pattern Analysis — Geographic Data Science with Python

Điểm là các thực thể không gian có thể được hiểu theo hai cách cơ bản khác nhau. On the one hand, points can be seen as fixed objects in space, which is to say their location is taken as given (exogenous). Theo cách hiểu này, vị trí của một điểm được quan sát được coi là thứ yếu đối với…

So sánh các thuật toán phân cụm Python — hdbscan 0. 8. 1 tài liệu

Có rất nhiều thuật toán phân cụm để lựa chọn. Bộ phân cụm tiêu chuẩn
sklearn có mười ba lớp phân cụm khác nhau
riêng. Vậy bạn nên sử dụng thuật toán phân cụm nào? . Một
question in data science and machine learning it depends on your data. A
số trong số đó…

Một Triệu Cuộc Đi Bộ Trong Công Viên — CARTO

Sử dụng dữ liệu GPS di động để hiểu việc sử dụng không gian công cộng theo thời gian và các tương tác xã hội trong các công viên công cộng của NYC

63. Xây dựng mô hình không gian để phân loại cấp độ đô thị toàn cầu

Phân loại là một vấn đề quan trọng khác trong khoa học dữ liệu và một vấn đề kinh điển trong công việc không gian địa lý là phân loại các khu vực. Trong trường hợp sử dụng này, dữ liệu như mạng lưới dân số, mạng lưới đường bộ và đèn ban đêm được sử dụng để phân loại toàn bộ thế giới thành các cấp độ đô thị khác nhau

Xây dựng mô hình không gian để phân loại cấp độ đô thị toàn cầu

How can we measure levels of urbanity? Learn how our team designed a spatial model able to classify urbanity levels globally & with high granularity

64. Cách làm giàu dữ liệu POS để phân tích và dự đoán doanh số CPG

This use case dives into how you can use spatial data to predict potential sales of different products across space using a very popular Kaggle dataset, the Iowa liquor sales dataset. This data has data on specific product SKUs in Iowa, and using spatial data we can predict what sales might be like in other areas where stores are not present, or model sales in an entirely new state using spatial data

Cách làm giàu dữ liệu POS để phân tích và dự đoán doanh số CPG

Learn how to enrich & perform spatial modeling on retail point of sale data to analyze CPG sales & predict future performance in new locations

65. Mô hình hóa rủi ro tai nạn giao thông ở thành phố New York

This article talks about how you can use a common geospatial dataset such as traffic accidents (in this case in New York City) to create a model to categorize risk to certain areas using machine learning models

Modeling the Risk of Traffic Accidents in New York City

Phân loại rủi ro tai nạn giao thông bằng mô hình học sâu convLSTM2D

66. Xử lý ngôn ngữ tự nhiên không gian địa lý

Tôi thích trường hợp sử dụng này vì nó bao gồm việc lấy bộ dữ liệu dựa trên văn bản, báo cáo tội phạm ở Madison, WI và biến chúng thành dữ liệu không gian địa lý có thể sử dụng được. Nhưng nó cũng cho thấy cách bạn có thể sử dụng cùng một công nghệ để xây dựng các giải pháp rất hay, chẳng hạn như trung tâm cuộc gọi có thể hoạt động để xác định vị trí bằng cách sử dụng bản ghi cuộc gọi theo thời gian thực trong cài đặt hỗ trợ khách hàng

67. Tạo lãnh thổ

Tạo lãnh thổ là một trường hợp sử dụng rất phổ biến và có tất cả các loại hình thức và hương vị khác nhau. Từ các vùng lãnh thổ liền kề đến các cụm hoạt động đến nhóm các vùng chồng lấn thành một trung tâm trung tâm, đây đều là những trường hợp sử dụng phổ biến để tạo các vùng lãnh thổ. PySAL có một số trình giải quyết lãnh thổ tuyệt vời trong gói spopt với sổ ghi chép để hỗ trợ một số khu vực hóa khác nhau (hoặc các vấn đề về lãnh thổ tiếp giáp) cũng như cuốn sách Khoa học dữ liệu địa lý với Python. Lastly, there is a great use case from CARTO using genetic algorithims to create and assign facilities to different sales territories, or individual sales reps using constraints for multiple problems

Max-P Regionalization — spopt v0. 2. 1+0. ga9cda4f. hướng dẫn bẩn

tác giả. Sergio Rey, Xin Feng, James Gaboardi

Thuật toán quy trình phân vùng tự động (AZP) — spopt v0. 2. 1+0. ga9cda4f. hướng dẫn bẩn

Trang này được tạo từ notebook/azp. ipynb.
Interactive online version.

Người trượt ván — spopt v0. 2. 1+0. ga9cda4f. hướng dẫn bẩn

tác giả. Xin Feng

Phân cụm & khu vực hóa — Khoa học dữ liệu địa lý với Python

Những câu hỏi khó nhất thế giới rất phức tạp và có nhiều khía cạnh.
Các phương pháp hiệu quả để học hỏi từ dữ liệu nhận ra điều này. Nhiều câu hỏi
và thách thức vốn đã đa chiều; . Theo thuật ngữ thống kê
defined by many different components all acting simultaneously. In statistical
, những…

Cân bằng lãnh thổ cho công bằng và hiệu quả. Nghiên cứu dữ liệu bán hàng tại hiện trường

Phân tích không gian và khoa học dữ liệu có thể giúp các nhà quản lý bán hàng loại bỏ phỏng đoán và tạo ra các lãnh thổ hợp lý và dựa trên dữ liệu

68. Phân tích mạng với OSMnx

Tôi thực sự yêu thích OSMnx và có một số trường hợp sử dụng tuyệt vời ở đây để làm việc với dữ liệu từ OpenStreetMap và giải quyết các vấn đề thực sự thú vị với dữ liệu mạng, chẳng hạn như tạo mạng có dữ liệu độ cao trong đó để di chuyển đồng bộ thời gian sang phân cụm không gian dựa trên mạng

• Vẽ bản đồ isochrone với OSMnx
• Tải xuống bất kỳ Thực thể không gian địa lý OSM nào với OSMnx
• Độ cao nút và cấp độ cạnh
• Bộ lọc tùy chỉnh và các loại cơ sở hạ tầng khác
• Phân cụm không gian dựa trên mạng

osmnx-ví dụ/13-isolines-isochrones. ipynb tại chính · gboeing/osmnx-ví dụ

Ví dụ sử dụng, trình diễn và hướng dẫn cho OSMnx. Đóng góp vào sự phát triển gboeing/osmnx-examples bằng cách tạo một tài khoản trên GitHub

Phân cụm không gian dựa trên mạng

Việc làm, cơ sở và các tiện nghi khác có xu hướng tích tụ và tập trung tại các thành phố. Để xác định những sự kết tụ này và khám phá nguyên nhân và tác động của chúng, chúng ta thường sử dụng thuật toán phân cụm không gian…

69. Phân bổ vị trí với PySAL

Cá nhân tôi nghĩ rằng các vấn đề phân bổ vị trí là một trong những vấn đề thú vị nhất trong không gian địa lý vì chúng yêu cầu cả dữ liệu và phân tích phức tạp nhưng giải quyết các vấn đề rất thực tế và có thể giải quyết được. Ví dụ: phân bổ vị trí có thể được sử dụng để trả lời câu hỏi “tôi nên đặt trạm cứu hỏa họp ở đâu để có thể bao phủ hầu hết cư dân mà không bị chồng chéo vùng phủ sóng từ các trạm khác”. Phân bổ vị trí có thể được sử dụng trong khu vực công để xác định vị trí các dịch vụ mới, bởi các công ty hậu cần định vị kho hàng mới, cho các công ty giao hàng thêm nhà bếp ma mới hoặc cửa hàng tạp hóa ma, cho các cộng đồng muốn xây dựng Thư viện nhỏ mới

Tôi đã theo dõi sự phát triển của gói spopt một thời gian và rất vui khi thấy các bổ sung của Germano Barcelos đã bổ sung chức năng cho nhiều vấn đề phân bổ vị trí cốt lõi với sổ ghi chép hỗ trợ

• Location Set Covering Problem (LSCP) – Giảm thiểu số lượng cơ sở cần thiết và xác định vị trí của chúng để mọi khu vực nhu cầu được bao phủ trong khoảng cách hoặc thời gian dịch vụ tối đa được xác định trước
• Vấn đề vị trí phủ sóng tối đa – Tối đa hóa lượng nhu cầu được đáp ứng trong khoảng cách dịch vụ tối đa hoặc tiêu chuẩn thời gian bằng cách định vị một số cơ sở cố định
• Bài toán P-Center – Để “xác định vị trí đồn cảnh sát hoặc bệnh viện sao cho khoảng cách tối đa của đồn đến một tập hợp các cộng đồng được kết nối bởi hệ thống đường cao tốc được giảm thiểu”
• Vấn đề P-Median – Xác định vị trí một số cơ sở cố định sao cho tổng khoảng cách di chuyển thu được là nhỏ nhất

70. Phân cụm dữ liệu ở các vùng lân cận San Francisco

Hướng dẫn từng bước tuyệt vời không chỉ cho biết cách lấy dữ liệu không gian địa lý từ API mà còn sử dụng các phương pháp khác nhau để phân cụm dữ liệu trong các danh mục và vùng lân cận khác nhau dựa trên các POI tương tự

Phân cụm dữ liệu ở các vùng lân cận San Francisco

Trong dự án này, sẽ sử dụng API Foursquare để khám phá các vùng lân cận ở San Francisco

71. Phân loại các ga tàu điện ngầm Moscow sử dụng dữ liệu Foursquare

Dự án phân loại tương tự như trên sử dụng dữ liệu Foursquare để phân loại các khu dân cư xung quanh ga tàu điện ngầm Moscow

Phân loại các ga tàu điện ngầm Moscow sử dụng dữ liệu Foursquare

Bài đăng này là dự án quan trọng nhất của chuyên ngành Coursera IBM Data Science Professional. Sổ tay đầy đủ và dữ liệu có sẵn trên…

72. Kết nối và nội suy POI với mạng lưới đường bộ

Một trường hợp sử dụng chi tiết với các ví dụ và các liên kết khác để hiểu một vấn đề không gian địa lý phổ biến, các điểm chụp và dữ liệu khác cho mạng lưới đường bộ

Kết nối POI với mạng lưới đường bộ

Nội suy có thể mở rộng dựa trên cạnh gần nhất

73. BFF của một người yêu bia?

Một trường hợp sử dụng thú vị và cụ thể khác để nghiên cứu trọng số khoảng cách bằng cách sử dụng các nhà máy bia để tìm trung tâm của bối cảnh nhà máy bia của bất kỳ tiểu bang nào

BFF của một người yêu bia?

Bia ngon. Nó cũng ngày càng dễ kiếm hơn nhờ sự phổ biến của các hố tưới nước thủ công của Mỹ và…

74. Hoạt động không gian địa lý ở quy mô lớn với Dask và Geopandas

Nếu bạn thực sự yêu thích Python và Geopandas nhưng muốn mở rộng thành các bộ dữ liệu lớn hơn, thì đây là một bài đăng tuyệt vời để sử dụng Geopandas với Dask, giúp phân vùng các khung dữ liệu thành nhiều khung dữ liệu để tăng tốc hoạt động

Hoạt động không gian địa lý ở quy mô lớn với Dask và Geopandas

An Introduction to the spatial join and its application at scale on the New York City Taxi Dataset using GeoPandas and Dask

75. Cải thiện Hoạt động với Tối ưu hóa Tuyến đường

Tôi nghĩ rằng một điều phức tạp về các vấn đề định tuyến hoặc tối ưu hóa là khái niệm hóa chúng và hiểu trường hợp sử dụng trong thế giới thực và đây là một trong số ít tôi đã tìm thấy điều đó. Bài viết này nói về việc giải quyết Vấn đề định tuyến phương tiện khi thử nghiệm các phương pháp khác nhau trên quy mô lớn như DBSCAN đệ quy và Google ORTools

Is Python good for GIS?

Python hay R tốt hơn cho GIS?

Tại sao Python được sử dụng trong GIS?

Mã hóa cho GIS có hữu ích không?