geopandas POI合并区县市数据

标题：Geopandas之三POI合并区县市配套数据

Geopandas是Python中用于处理地理空间数据的库，扩展了pandas的数据结构，能够方便地操作和分析地理数据。Geopandas支持多种地理数据格式的读取，如ESRI Shapefile、GeoJSON、GPKG等。文件通常包含.dbf（属性数据）、.cpg（字符编码）、.prj（投影信息）和.shp（几何形状数据），这些都是ESRI Shapefile的标准组成部分。

在本案例中，我们使用Geopandas处理区县市配套数据与POI（点兴趣）数据的整合。POI数据可能包含商业场所、公共设施等地理位置信息，而区县市数据则包括行政区域的边界和属性信息。

首先，导入Geopandas、pandas和matplotlib等必要的库：

import geopandas as gpd
import pandas as pd
import matplotlib.pyplot as plt

接着，使用read_file函数读取区县市的Shapefile数据：

# 例如，读取龙岩市的Shapefile
city_data = gpd.read_file("龙岩市.shp")

然后，加载POI数据。假设文件名为“POI_福建龙岩市_202006.csv”，这是一份CSV文件，包含了2020年6月福建省龙岩市的POI信息。使用pandas加载该文件：

# 加载POI数据
poi_data = pd.read_csv("POI_福建龙岩市_202006.csv")

POI数据通常不包含几何信息，需要将经纬度转换为Geopandas可以识别的GeoDataFrame。假设数据中包含“longitude”和“latitude”列，可以如下创建几何列：

from shapely.geometry import Point

# 创建几何列，将经纬度转换为Point对象
poi_data["geometry"] = poi_data.apply(
    lambda row: Point(row.longitude, row.latitude), axis=1
)
# 转换为GeoDataFrame
gdf_poi = gpd.GeoDataFrame(poi_data, geometry="geometry")

接下来，将POI数据与区县市数据进行合并。例如，可以根据名称（假设为“NAME”列）合并：

# 合并区县市数据与POI数据
merged_data = city_data.merge(gdf_poi, how="left", on="NAME")
# 计算每个区域的POI数量
merged_data["POI_count"] = merged_data.geometry.apply(
    lambda geom: len(geom.intersection(merged_data.geometry))
)

最后，使用matplotlib可视化结果：

fig, ax = plt.subplots(1, figsize=(10, 10))
merged_data.plot(
    column="POI_count", ax=ax, cmap="Blues", linewidth=0.8, edgecolor="0.8", legend=True
)
plt.show()

通过上述步骤，可以完成对龙岩市POI数据与区县市数据的融合分析。实际操作中，根据需求可能还需要进行缓冲区分析、叠加分析等更复杂的空间分析。Geopandas提供了强大的功能，可以高效处理地理空间数据，但合理选择分析方法至关重要。