Choroplethy: mapowanie danych w przestrzeni

Praca z danymi geoprzestrzennymi w Pythonie

Dani Arribas-Bel

Geographic Data Science Lab (University of Liverpool)

Choroplethy

countries.plot(column='gdp_per_cap', legend=True)

Wskazanie kolumny:

locations.plot(column='variable')

Choropleth ze schematem klasyfikacji:

locations.plot(column='variable', scheme='quantiles', k=7, cmap='viridis')

Kluczowe wybory:

locations.plot(column='variable', scheme='Quantiles', k=7, cmap='viridis')

Choroplethy nieuchronnie oznaczają utratę informacji (co jest akceptowalne)

Napięcie między:

Zachowaniem szczegółowości oryginalnych wartości (wyższe k)
Abstrakcją informacji ułatwiającą ich przetwarzanie i interpretację (niższe k)

Praktyczna zasada: od 3 do 12 klas ("koszyków")

locations.plot(column='variable', scheme='quantiles', k=7, cmap='viridis')

Jak przypisać każdą wartość variable do jednej z k grup?

Dwa (popularne) podejścia dla zmiennych ciągłych:

locations.plot(column='variable', scheme='equal_interval', k=7, cmap='Purples')

locations.plot(column='variable', scheme='quantiles', k=7, cmap='Purples')

Kategorie, nieuporządkowane

locations.plot(column='variable', 
               categorical=True, cmap='Purples')

Stopniowane, sekwencyjne

locations.plot(column='variable', 
               k=5, cmap='RdPu')

Stopniowane, dywergentne

locations.plot(column='variable', 
               k=5, cmap='RdYlGn')

WAŻNE: Dostosuj do swojego celu

Praca z danymi geoprzestrzennymi w Pythonie