Qu'est-ce qu'une carte choroplèthe?

Visualisation de données géospatiales avec Python

Mary van Valkenburg

Data Science Program Manager, Nashville Software School

Définition d'une choroplèthe

carte choroplèthe de l'âge moyen des résidents pour les LSOA à Milton Keynes

carte choroplèthe du PIB par habitant PPA dans le monde

Densité

schools_in_districts.head(2)

district  geometry                  name               lat    lng
1         (POLYGON ((-86.77 36.38... Nashville Prep    36.16 -86.85
1         (POLYGON ((-86.77 36.38... Rocketship Prep   36.17 -86.79

Obtenir les décomptes

school_counts = schools_in_districts.groupby(['district']).size()
print(school_counts)

district
1    30
2    11
3    19
4    18
5    36
6    21
7    13
8    10
9    12
dtype: int64

Ajouter les décomptes

school_counts_df = school_counts.to_frame()
school_counts_df = school_counts_df.reset_index()
school_counts_df.columns = ['district', 'school_count']

districts_with_counts = pd.merge(school_districts, school_counts_df, 
                                 on = 'district')
districts_with_counts.head(2)

district geometry           school_count
1        (POLYGON ((-86.77 36.38...  30
3        (POLYGON ((-86.75 36.40...  19

Diviser les décomptes par les aires

districts_with_counts['area'] = districts_with_counts.area

districts_with_counts['school_density'] = districts_with_counts.apply(
    lambda row: row.school_count/row.area, axis = 1)

districts_with_counts.head(2)

district geometry           school_count   area    school_density
1        (POLYGON ((-86.77 36.38...    30    0.036641    818.745403
3        (POLYGON ((-86.75 36.40...    19    0.014205    1337.594495

Passons à la pratique!

Visualisation de données géospatiales avec Python