geopandas安装
Anaconda3集成环境下，直接在anaconda prompt 命令窗口执行 conda install -c conda-forge geopandas
就会自动进行下载安装。
可视化流程
1. 数据准备
.geojson类型的文件一个是必须的，本文使用的数据有neighbourhoods.geojson，listings.csv。前者为北京16个区域的形状信息，后者为各区域的短租房信息。
2. 导入数据
import pandas as pd
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import geopandas as gpd
from shapely.geometry import Point # 经纬度转换为点
import adjustText as aT
import mapclassify
%pylab inline
%matplotlib inline
plt.rcParams[\'font.sans-serif\'] = [\'SimHei\']
plt.rcParams[\'axes.unicode_minus\'] = False
import warnings
warnings.filterwarnings(\'ignore\')
导入形状
geo_ = gpd.GeoDataFrame.from_file(\'E:/tianchi/neighbourhoods.geojson\') #读取数据为geodataframe格式
geo_=geo_.drop(\"neighbourhood_group\",axis=1)#清洗
geo[\'neighbourhood\'] = geo[\'neighbourhood\'].apply(lambda x: x.split(\'/\')[0].strip())#统一中文名称
geo_.head(3)
neighbourhood这一列代表北京的16个地区的名字，geometry这一列存放着各区的形状。
导入各地区房屋的信息
df=pd.read_csv(\'E:/tianchi/listings.csv\')#有这一句就够了，后面的是一些数据清洗，我这里保留了
df=df[df[\'availability_365\'] 0]
df=df.drop(\"neighbourhood_group\",axis=1)
df=df[df[\"minimum_nights\"] =365]
df[\'neighbourhood\'] = df[\'neighbourhood\'].apply(lambda x: x.split(\'/\')[0].strip())
for i in df[\'neighbourhood\'].unique():
for j in df[\'room_type\'].unique():
Q75=df[df[\'neighbourhood\']==i][df[\'room_type\']==j][\'price\'].quantile(0.75)
Q25=df[df[\'neighbourhood\']==i][df[\'room_type\']==j][\'price\'].quantile(0.25)
iqr=Q75-Q25
df.loc[(df[\'neighbourhood\']==i) (df[\'room_type\']==j),\'上限\']=Q75+1.5*iqr
df.loc[(df[\'neighbourhood\']==i) (df[\'room_type\']==j),\'下限\']=Q25-1.5*iqr
df=df[(df[\'price\'] =df[\'下限\']) (df[\'price\'] =df[\'上限\'])]
df.head(3)
latitude、longitude、price是我们需要用的有用信息，通过经纬度，我们能在地图上描出房屋的分布。
3. 绘制图形
geo_.plot()
这就是北京市的形状以及区域划分
(1)把经纬度转化为坐标
df[\'geometry\']=list(zip(df[\'longitude\'],df[\'latitude\']))#经纬度组合为新列geometry，与形状里的该列对应
df[\'geometry\']=df[\'geometry\'].apply(Point)#经纬度转化为坐标点
gpd_df=gpd.GeoDataFrame(df)
新增了一列geometry，与geo_里的geometry对应，画图时自动关联
(2)在底图上描点
base = geo_.plot(color=\'lightblue\', edgecolor=\'grey\',figsize=(15, 15))#利用形状信息画底图
gpd_df.plot(ax=base, color=\'red\', marker=\"o\", markersize=50, alpha=0.01) #在底图上添加出租房位置
plt.gca().xaxis.set_major_locator(plt.NullLocator())#去掉x轴刻度
plt.gca().yaxis.set_major_locator(plt.NullLocator())#去掉y轴刻度
现在通过红点的疏密，我们已经能知道出租房的分布了
(3)地图颜色
地图颜色能表达很多信息，可以用来表示该区域的房屋数量或房屋价钱等信息，鉴于已经用红点表示房屋的分布了，这里就用颜色来代表各区域的出租房均价。
求均价
geo_price=df.groupby(\'neighbourhood\')[[\'price\']].mean()
geo_price.columns = [\"mean\"]
合并列
geo_merge = pd.merge(geo_, geo_price,on=\"neighbourhood\", how=\"left\")
geo_merge.head(5)
设置每块区域的代表点，以便添加label
geo_points=geo_merge.copy()
geo_points[\'center\']=geo_points[\'geometry\'].centroid#选取区域的中心点，添加列center
#nbhd_points[\'center\']=nbhd_points[\'geometry\'].representative_point()#另一种选取方法，不一定是中心点了
geo_points.set_geometry(\"center\", inplace=True)
终于要绘图了
base = geo_merge.plot(column=\"mean\", cmap=\'GnBu\', scheme=\"boxplot\", #底图，颜色代表价格
edgecolor=\'grey\',legend=True, figsize=(15, 15))
gpd_df.plot(ax=base, color=\'red\', marker=\"o\", markersize=50, alpha=0.01) #在底图上叠加房源点数据
plt.title(\"北京市房源分布图\",fontsize=30)
texts = [] #标注区域名称
for x, y, label in zip(geo_points.geometry.x, geo_points.geometry.y,geo_points[\"neighbourhood\"]):
texts.append(plt.text(x, y, label, fontsize=12))
aT.adjust_text(texts,force_points=0.3, force_text=0.8, expand_points=(1, 1), expand_text=(1, 1),
arrowprops=dict(arrow , color=\'grey\', lw=0.5))
plt.gca().xaxis.set_major_locator(plt.NullLocator())#去掉x轴刻度
plt.gca().yaxis.set_major_locator(plt.NullLocator())#去掉y轴刻度
结果挺漂亮的吧，在图示能直接看出各区域的房屋数量分布，还能看到各区域出租房的均价
原文链接:https://blog.csdn.net/hejnhong/article/details/106569390