8.16 地理数据和 Basemap

原文：Geographic Data with Basemap

译者：飞龙

协议：CC BY-NC-SA 4.0

本节是《Python 数据科学手册》（Python Data Science Handbook）的摘录。

数据科学中一种常见的可视化类型是地理数据。Matplotlib 用于此类可视化的主要工具是 Basemap 工具包，它是位于mpl_toolkits命名空间下的几个 Matplotlib 工具包之一。不可否认，Basemap 使用时有点笨拙，甚至简单的可视化渲染也要花费更长的时间，超出你的想象。

更传统的解决方案（如 leaflet 或 Google Maps API）可能是更加密集的地图可视化的更好选择。尽管如此，Basemap 仍然是 Python 用户在其虚拟工具栏中拥有的有用工具。在本节中，我们将展示使用此工具包可以实现的地图可视化类型的几个示例。

Basemap 的安装很简单；如果你正在使用 conda，你可以输入这个，然后下载包：

$ conda install basemap

我们只在标准样板中添加一个新的导入：

%matplotlib inline
import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.basemap import Basemap

一旦安装并导入了 Basemap 工具包，地理绘图就能在几行之内实现（下面的图形也需要 Python 2 中的PIL包，或者 Python 3 中的pillow包）：

plt.figure(figsize=(8, 8))
m = Basemap(projection='ortho', resolution=None, lat_0=50, lon_0=-100)
m.bluemarble(scale=0.5);

Basemap参数的含义将立即讨论。

有用的是这里显示的地球不仅仅是一个图像; 它是一个功能齐全的 Matplotlib 轴域，它可以理解球面坐标，这使我们可以轻松地在地图上绘制数据！例如，我们可以使用不同的地图投影，放大到北美并绘制西雅图的位置。我们将使用 etopo 图像（显示陆地和海底的地形特征）作为地图背景：

fig = plt.figure(figsize=(8, 8))
m = Basemap(projection='lcc', resolution=None,width=8E6, height=8E6, lat_0=45, lon_0=-100,)
m.etopo(scale=0.5, alpha=0.5)# 将 (long, lat) 映射为 (x, y) 以便绘图
x, y = m(-122.3, 47.6)
plt.plot(x, y, 'ok', markersize=5)
plt.text(x, y, ' Seattle', fontsize=12);

通过几行 Python，你可以轻松了解可能的地理可视化类型。我们现在将更深入地讨论 Basemap 的功能，并提供几个可视化地图数据的示例。使用这些简短的示例作为积木，你应该能够创建几乎任何你想要的地图可视化。

地图投影

使用地图时要决定的第一件事，是要使用什么投影。你可能已经熟悉这样一个事实：不可能将球形地图（例如地球的地图）投影到平坦的表面上，而不会以某种方式扭曲或破坏其连续性。这些预测是在人类历史进程中发展起来的，有很多选择！取决于地图投影的预期用途，有一些地图特征，保留它们很有用（例如，方向，区域，距离，形状或其他考虑因素）。

Basemap 包实现了几十个这样的投影，全部由短格式代码引用。在这里，我们将简要介绍一些比较常见的。我们首先定义一个便利例程来绘制我们的世界地图以及经纬线：

from itertools import chaindef draw_map(m, scale=0.2):# 绘制阴影浮雕图像m.shadedrelief(scale=scale)# 将 lats 和 lons 作为字典返回lats = m.drawparallels(np.linspace(-90, 90, 13))lons = m.drawmeridians(np.linspace(-180, 180, 13))# 键包含 plt.Line2D 实例lat_lines = chain(*(tup[1][0] for tup in lats.items()))lon_lines = chain(*(tup[1][0] for tup in lons.items()))all_lines = chain(lat_lines, lon_lines)# 遍历这些线并设置所需的样式for line in all_lines:line.set(linestyle='-', alpha=0.3, color='w')

圆柱投影

最简单的地图投影是圆柱投影，其中恒定纬度和经度的线分别映射到水平线和垂直线。这种类型的映射很好地代表了赤道区域，但产生了极点附近的极端扭曲。纬线的间距在不同的圆柱投影之间变化，产生不同的保留特征，并且在极点附近的不同的变形。在下图中，我们展示了等距圆柱投影的示例，它选择了沿子午线保留距离的纬度缩放。其他圆柱投影是墨卡托（projection='merc'）和圆柱等积（projection='cea'）投影。

fig = plt.figure(figsize=(8, 6), edgecolor='w')
m = Basemap(projection='cyl', resolution=None,llcrnrlat=-90, urcrnrlat=90,llcrnrlon=-180, urcrnrlon=180, )
draw_map(m)

此视图的 Basemap 的附加参数，为所需的地图指定左下角（llcrnr）和右上角（urcrnr）的纬度（lat）和经度（lon），以度为单位。

伪圆柱投影

伪圆柱投影放松了子午线（恒定经线）保持垂直的要求; 这可以在投影的极点附近提供更好的特性。墨卡托投影（projection ='moll'）是这方面的一个常见例子，其中所有经线都是椭圆弧。它的构造是为了保留地图上的区域：尽管两极附近存在扭曲，但小块的区域反映了真实区域。其他伪圆柱投影是正弦曲线（projection='sinu'）和罗宾逊（projection='robin'）投影。

fig = plt.figure(figsize=(8, 6), edgecolor='w')
m = Basemap(projection='moll', resolution=None,lat_0=0, lon_0=0)
draw_map(m)

这里 Basemap 的额外参数是指所需映射的中心纬度（lat_0）和经度（lon_0）。

透视投影

透视投影使用透视点的特定选择构建，类似于你从空间中的特定点拍摄地球（对于某些投影，技术上点位于地球内部！）。一个常见的例子是正交投影（projection='ortho'），它显示了远处的观察者看到的地球的一侧。因此，它一次只能显示全球的一半。

其他基于视角的投影包括 gnomonic 投影（projection='gnom'）和立体投影（projection='stere'）。这些通常对于显示地图的一小部分最有用。

以下是正交投影的示例：

fig = plt.figure(figsize=(8, 8))
m = Basemap(projection='ortho', resolution=None,lat_0=50, lon_0=0)
draw_map(m);

圆锥投影

圆锥投影将地图投影到单个圆锥上，然后展开。这可以产生非常好的局部特性，但是远离圆锥焦点的区域可能变得非常扭曲。其中一个例子是 Lambert Conformal 圆锥投影（projection='lcc'），我们之前在北美地图中看到过。

它将地图投影到一个圆锥上，这个圆锥的排列方式使得两个标准平行线（在 Basemap 中由lat_1和lat_2规定）的距离是良好表示的，比例在它们之间减小并且在它们之外增加。其他有用的圆锥投影是等距圆锥投影（projection='eqdc'）和 Albers 等面投影（projection='aea'）。圆锥投影，就像透视投影，往往是表示地球中小块区域的良好选择。

fig = plt.figure(figsize=(8, 8))
m = Basemap(projection='lcc', resolution=None,lon_0=0, lat_0=50, lat_1=45, lat_2=55,width=1.6E7, height=1.2E7)
draw_map(m)

其它投影

如果你要对基于地图的可视化做很多事情，我建议你了解其他可用的投影，以及它们的属性，优点和缺点。
最有可能的是，它们可以在 Basemap 包中找到。
如果你深入研究这个主题，你会发现一个令人难以置信的极客的亚文化 geo-viz，他们为热烈争论做好了准备，来为任何给定应用支持他们最喜欢的投影！

绘制地图背景

之前我们看过bluemarble()和shadedrelief()方法，用于在地图上投影全球图像，以及drawparallels()和drawmeridians()方法用于绘制恒定经纬度的线。Basemap 包包含一系列有用的函数，用于绘制物理特征的边界，例如大陆，海洋，湖泊和河流等，以及政治边界，例如国家地区，以及美国各州和县。以下是一些可用绘图功能，你可能希望使用 IPython 帮助特性来探索：

物理边界和水体
- drawcoastlines()：绘制大陆海岸线
- drawlsmask()：绘制陆地和海洋之间的掩码，用于在一个或另一个上投射图像
- drawmapboundary()：绘制地图边界，包括海洋的填充颜色。
- drawrivers()：在地图上绘制河流
- fillcontinents()：用给定的颜色填充大陆；可选择用另一种颜色填充湖泊
政治边界
- drawcountries()：绘制国界
- drawstates()：绘制美国国界
- drawcounties()：绘制美国县界
地图功能
- drawgreatcircle()：在两点之间绘制大圆圈
- drawparallels()：绘制恒定纬度的线条
- drawmeridians()：绘制恒定经度的线条
- drawmapscale()：在地图上绘制线性刻度
全球图像
- bluemarble()：将 NASA 的蓝色大理石图像投影到地图上
- shadedrelief()：将阴影浮雕图像投影到地图上
- etopo()：在地图上绘制一个 etopo 浮雕图像
- warpimage()：将用户提供的图像投影到地图上

对于基于边界的特性，必须在创建 Basemap 图像时设置所需的分辨率。Basemap类的resolution参数设置边界中的细节级别，他们是'c'（原始），'l'（低），'i'`（中），‘h’（高），‘f’``（完整）或None（如果没有使用边界）。这个选项很重要：例如，在全局地图上设置高分辨率边界可能非常慢。

这是绘制陆地/海洋边界，以及分辨率参数的效果的示例。我们将创建苏格兰的美丽的斯凯岛的低分辨率和高分辨率地图。它位于北纬 57.3°，6.2°W，90,000×120,000 公里的地图很好显示它：

fig, ax = plt.subplots(1, 2, figsize=(12, 8))for i, res in enumerate(['l', 'h']):m = Basemap(projection='gnom', lat_0=57.3, lon_0=-6.2,width=90000, height=120000, resolution=res, ax=ax[i])m.fillcontinents(color="#FFDDCC", lake_color='#DDEEFF')m.drawmapboundary(fill_color="#DDEEFF")m.drawcoastlines()ax[i].set_title("resolution='{0}'".format(res));

请注意，低分辨率海岸线不适合此级别的缩放，而高分辨率的工作正常。然而，低水平对于全局视图来说效果会很好，并且比加载整个地球的高分辨率边界数据要快得多！可能需要进行一些实验，才能找到给定视图的正确分辨率参数：最佳路径是从快速低分辨率的绘图开始，并根据需要增加分辨率。

在 Basemap 上绘制数据

也许 Basemap 工具包中最有用的部分，是将各种数据绘制到地图背景上的能力。对于简单的绘图和文本，任何plt函数都可以在地图上执行；你可以使用Basemap实例将纬度和经度坐标投影到(x, y)坐标，用于plt的绘图，正如我们在西雅图示例中所见。

除此之外，还有许多特定于地图的函数，可用作Basemap实例的方法。这些东西与它们的标准 Matplotlib 对应物非常相似，但是有一个额外的布尔参数latlon，如果设置为True，它允许你将原始纬度和经度传递给方法，而不是投影(x, y)坐标。

其中一些特定于地图的方法是：

contour()/contourf()：绘制等高线或填充的等高线
imshow()：绘制图像
pcolor()/pcolormesh()：为不规则/规则网格绘制伪彩色图
plot()：绘制线条和/或标记。
scatter()：绘制带标记的点。
quiver()：绘制向量。
barbs()：绘制风向。
drawgreatcircle()：绘制大圆圈。

我们将继续并看到其中一些例子。这些函数的更多信息，包括几个示例图，请参阅在线 Basemap 文档。

示例：加利福尼亚的城市

回想一下，在“自定义图例”中，我们演示了在散点图中使用大小和颜色，来传达加州城市的位置，大小和人口的信息。在这里，我们将再次创建此绘图，但使用 Basemap 将数据放在上下文中。

我们开始加载数据，就像我们之前做的那样：

import pandas as pd
cities = pd.read_csv('data/california_cities.csv')# 提取我们感兴趣的数据
lat = cities['latd'].values
lon = cities['longd'].values
population = cities['population_total'].values
area = cities['area_total_km2'].values

接下来，我们设置地图投影，绘制数据的散点图，然后创建颜色条和图例：

# 1. 绘制地图北京
fig = plt.figure(figsize=(8, 8))
m = Basemap(projection='lcc', resolution='h', lat_0=37.5, lon_0=-119,width=1E6, height=1.2E6)
m.shadedrelief()
m.drawcoastlines(color='gray')
m.drawcountries(color='gray')
m.drawstates(color='gray')# 2. 绘制城市数据的散点图，其中颜色反映人口
# 尺寸反映面积
m.scatter(lon, lat, latlon=True,c=np.log10(population), s=area,cmap='Reds', alpha=0.5)# 3. 创建颜色条和图例
plt.colorbar(label=r'$\log_{10}({\rm population})$')
plt.clim(3, 7)# 使用虚拟的点生成图例
for a in [100, 300, 500]:plt.scatter([], [], c='k', alpha=0.5, s=a,label=str(a) + ' km$^2$')
plt.legend(scatterpoints=1, frameon=False,labelspacing=1, loc='lower left');

这向我们展示了大量人口在加利福尼亚定居的地方：它们聚集在洛杉矶和旧金山地区的海岸附近，沿着平坦的中央山谷中的高速公路延伸，几乎完全避开了沿着国界的山区。

示例：表面温度数据

作为一些更连续的地理数据的可视化示例，让我们考虑一下 2014 年 1 月袭击美国东部的“极涡”。任何气候数据的重要来源是美国宇航局 Goddard 空间研究所。这里我们将使用 GIS 250 温度数据，我们可以使用 shell 命令下载（在 Windows 机器上，这些命令可能必须修改）。此处使用的数据下载于 2016 年 6 月 12 日，文件大小约为 9MB：

# !curl -O http://data.giss.nasa.gov/pub/gistemp/gistemp250.nc.gz
# !gunzip gistemp250.nc.gz

数据采用NetCDF格式，可以通过netCDF4库在 Python 中读取。你可以像此处所示安装此库：

$ conda install netcdf4

我们这样读取数据：

from netCDF4 import Dataset
data = Dataset('gistemp250.nc')

该文件包含不同日期的许多全球温度读数；我们需要选择我们感兴趣的日期的索引 - 这里是 2014 年 1 月 15 日：

from netCDF4 import date2index
from datetime import datetime
timeindex = date2index(datetime(2014, 1, 15),data.variables['time'])

现在我们可以加载经纬度数据，以及这个索引的温度异常：

lat = data.variables['lat'][:]
lon = data.variables['lon'][:]
lon, lat = np.meshgrid(lon, lat)
temp_anomaly = data.variables['tempanomaly'][timeindex]

最后，我们将使用pcolormesh()方法绘制数据的颜色网格。我们将看看北美，并在背景中使用阴影浮雕地图。请注意，对于此数据，我们专门选择了一个离散颜色表，其中零处为中性色，负值和正值为两个对比色。我们还会在颜色上轻轻划出海岸线以供参考：

fig = plt.figure(figsize=(10, 8))
m = Basemap(projection='lcc', resolution='c',width=8E6, height=8E6, lat_0=45, lon_0=-100,)
m.shadedrelief(scale=0.5)
m.pcolormesh(lon, lat, temp_anomaly,latlon=True, cmap='RdBu_r')
plt.clim(-8, 8)
m.drawcoastlines(color='lightgray')plt.title('January 2014 Temperature Anomaly')
plt.colorbar(label='temperature anomaly (°C)');

该数据描绘了该月发生的局部极端温度异常。美国东部比正常情况要冷得多，而西部和阿拉斯加的温度要高得多。没有记录温度的区域显示地图背景。

数据科学 IPython 笔记本 8.16 地理数据和 Basemap相关推荐

数据科学 IPython 笔记本 7.3 Pandas 数据操作
7.3 Pandas 数据操作原文:Data Manipulation with Pandas 译者:飞龙协议:CC BY-NC-SA 4.0 本节是<Python 数据科学手册>(P ...
数据科学 IPython 笔记本翻译完成
原文:donnemartin/data-science-ipython-notebooks 译者:飞龙协议:CC BY-NC-SA 4.0 欢迎任何人参与和完善:一个人可以走的很快,但是一群人却可以 ...
数据科学 IPython 笔记本 8.9 自定义图例
8.9 自定义图例原文:Customizing Plot Legends 译者:飞龙协议:CC BY-NC-SA 4.0 本节是<Python 数据科学手册>(Python Data ...
数据科学 IPython 笔记本 8.10 自定义颜色条
8.10 自定义颜色条原文:Customizing Colorbars 译者:飞龙协议:CC BY-NC-SA 4.0 本节是<Python 数据科学手册>(Python Data S ...
数据科学 IPython 笔记本 8.7 密度和等高线图
8.7 密度和等高线图原文:Density and Contour Plots 译者:飞龙协议:CC BY-NC-SA 4.0 本节是<Python 数据科学手册>(Python Da ...
数据科学 IPython 笔记本 8.4 简单的折线图
8.4 简单的折线图原文:Simple Line Plots 译者:飞龙协议:CC BY-NC-SA 4.0 本节是<Python 数据科学手册>(Python Data Scienc ...
数据科学 IPython 笔记本 8.3 Matplotlib 可视化
8.3 Matplotlib 可视化原文:Visualization with Matplotlib 译者:飞龙协议:CC BY-NC-SA 4.0 本节是<Python 数据科学手册> ...
数据科学 IPython 笔记本 7.15 高性能 Pandas
# 7.15 高性能 Pandas:eval()和query() 原文:High-Performance Pandas: eval() and query() 译者:飞龙协议:CC BY-NC-SA ...
数据科学 IPython 笔记本 7.14 处理时间序列
7.14 处理时间序列原文:Working with Time Series 译者:飞龙协议:CC BY-NC-SA 4.0 本节是<Python 数据科学手册>(Python Dat ...
数据科学 IPython 笔记本 9.5 NumPy 数组上的计算：通用函数
9.5 NumPy 数组上的计算:通用函数本节是<Python 数据科学手册>(Python Data Science Handbook)的摘录. 译者:飞龙协议:CC BY-NC-S ...

数据科学 IPython 笔记本 8.16 地理数据和 Basemap