Geopandas库扩展了Pandas的内容，使Python可以对几何类型进行空间操作，其大部分用法同Pandas一致。在教程开始之前，先导入最基本的库

import geopandas as gpd
import pandas as pd
import matplotlib.pyplot as plt
1.文件导入\导出与数据结构
 
使用read_file()可以导入任何的空间矢量数据，主要有shp和GeoJson两种。具体用法为geopandas.read_file(filename, bbox=None, mask=None, rows=None, **kwargs)
 
filename 文件路径
bbox 按照给定的条件筛选几何要素,仅加载与边框相交的数据
mask 过滤与给定条件相交要素
rows 要加载的行数
ignore_geometry = Ture 返回dataframe
ignore_fields [],选择不加载这几列
 
下面为导入Shp文件，注意如果文件中有中文字符，则需要指定编码方式为‘gbk’，否则会乱码
 
stop = gpd.read_file(r'D:\ArcGis\2021_3\时间可达性2021\whsta.shp',encoding = 'gbk')
stop.head(5)

 对同样的数据使用Pandas导入
 
df = pd.read_excel(r'武汉市地铁站点_2021_3(集合).xlsx')
df.head()

 对比两个数据，可以看到GeoDataFrame数据多了一个几何列(geometry)，记录数据的属性和坐标信息，几何列可以有多列，而活动几何（active geometry）列只能有一列，如果有关于对空间的方法，则自动作用到 active geometry列。如果想要改变活动几何列，则使用GeoDataFrame.set_geometry()方法
 
使用下面的方法可以将dataframe数据转换为Geodataframe数据
 
point = gpd.GeoDataFrame(df, geometry=gpd.points_from_xy(df.GCJ02_loc, df.GCJ02_lat))
options函数可以设置几何列显示的小数点位数，默认5位
 
gpd.options.display_precision = 5
使用GeoDataFrame.to_file()方法可以导出为不多不同的格式，还可以使用GeoDataFrame.to_postgis方法将数据上传到PostGis数据库，元组或列表可以保存在Geopandas中，然而保存为Geopackage或者shp时可能报错。
 
world = world.set_geometry('borders')
#保存为shp形状文件
world['borders'].to_file(r'D:\Python\Geopython\Geopandas\世界地图\世界地图.shp')
#保存为geojson形状文件
world['borders'].to_file(r'世界地图.geojson', driver='GeoJSON')
2.绘制地图
 
GeoPandas绘制地图使用matplotlib的接口，类似于DataFrame的plot()方法，其中的任何选项都可以在这里传递
 
#导入世界地图数据和城市数据
world = gpd.read_file(gpd.datasets.get_path('naturalearth_lowres'))
cities = gpd.read_file(gpd.datasets.get_path('naturalearth_cities'))
world.plot()
分区统计图
 
绘制分区统计图，根据关联的值确定形状的颜色，只需要将column设定为指定变量的列，
 
world = world[(world.pop_est>0) & (world.name!="Antarctica")]#筛选出人口大于0和非南极洲的地区
world['gdp_per_cap'] = world.gdp_md_est / world.pop_est#计算各个地区的人均gdp.dataframe.column返回对应列的series
world.plot(column='gdp_per_cap')#根据人均gdp绘制地图，区别颜色
创建图例，使用面向对象的方法
 
fig, ax = plt.subplots(1, 1)
world.plot(column='pop_est', ax=ax, legend=True)#其中图例为颜色条

 上面的图例并不好看，因此需要对图例进行美化，这段代码没看太懂，类似于fig与ax
 
from mpl_toolkits.axes_grid1 import make_axes_locatable
fig, ax = plt.subplots(1, 1)
divider = make_axes_locatable(ax)
cax = divider.append_axes("right", size="5%", pad=0.1)
world.plot(column='pop_est', ax=ax, legend=True, cax=cax)

 图片果然变得好看了呢，Sci风！
 
还可以将颜色条放在下面，并且设置颜色条的名称
 
fig, ax = plt.subplots(1, 1)
world.plot(column='pop_est',
           ax=ax,
           legend=True,#创建图例
           legend_kwds={'label': "Population by Country",
                        'orientation': "horizontal"})#设置放置方式为水平
传入cmap参数还可以修改绘图的色系，具体的色系代码可以使用help()指令查阅，或者直接报错看提示也不失为一种方法！
 
world.plot(column='gdp_per_cap', cmap='OrRd')
绘制边界有两种方法
 
#第一种类似将填充改为空白，然而none和None容易混淆
world.plot(facecolor="none", edgecolor="black")
#第二种方法更加清晰
world.boundary.plot()

 对待缺失值，GeoPandas在绘制地图时会自动忽略，也可以对确实值的形式进行指定
 
 
指定图层的层数
 
即在同一个图上绘制多个图层，这是非常重要且实用h的功能，一共有两种方法，一种比较简介，一种更加灵活。在制作地图之间， 必须确保每个地图层拥有相同的CRS(方法后面会说到)，即坐标系。依然使用前面导入的世界地图和城市数据，并对坐标系进行统一。
 
cities = cities.to_crs(world.crs)#统一坐标系
第一种方法是分开制作，按先后顺序确定图层
 
base = world.plot(color='white', edgecolor='black')# 先制作世界地图
cities.plot(ax = base, marker='o', color='red', markersize=5)# 再直接画出来，使用ax关键字
第二种使用面向对象的方法
 
fig, ax = plt.subplots()
ax.set_aspect('equal')#将横纵比设置相等，当单独使用Geopandas时，自动完成
world.plot(ax = ax, color = 'white',edgecolor = 'black')
cities.plot(ax = ax, marker = 'o', color = 'red',markersize = 5)
plt.show()

 通过使用zorder参数还可以控制图层的顺序，其中数字越小的越在下面
 
ax = cities.plot(color='k', zorder=2)
world.plot(ax=ax, zorder=1)

 从绘制顺序来看，城市应该在下面，而通过指定zorder实现了改变。从这里也可看到使用面向对象的方式更加灵活，在绘制过程中直接指定即可。
 
同Pandas一样，Geopandas的plot()方法也可以绘制其他的图形，例如条形图、饼图等，只需要传入’kind’参数，具体可参考官方文档。不知道版本原因还是啥，我的一直报错。
 总结一下plot()方法常用的用法有，具体参考官方文档
 
column：根据该列的值确定地图的颜色
legend: True/False, 是否增加图例
ax：指定的画图对象
legend_kwds:字典，设置图例的放置方式，label标明的文字，orientation放置的方向
camp: 与legend搭配，设置色系.也可以单独使用，需要特殊的编码
sheme:调整颜色的分配
cax: 在彩色地图种指定图例的轴
edgecolor:边的颜色
marker: 点的形状
markersize: 点的颜色
zorder:画图的层数
figsize = (,)设置画布的大小
 
除了上述静态图外，还可以使用explore()方法绘制动态交互地图
 
3.管理投影
 
管理投影一般有两个操作：定义投影和转换投影
 通常情况下导入数据一般自带投影，如果必须可以使用GeoSeries.set_crs()方法，然而我在运行时会报错’‘GeoDataFrame’ object has no attribute ‘set_crs’’，可以试试geodataframe.crs = {‘init’: ‘epsg:3395’}，其中{‘init’: ‘epsg:3395’}表示墨卡托投影，任何能够被pyproj.CRS.from_user_input()语句接受的字符串，都能被geopandas正确使用其他比较常用的还有’epsg: 4326’表示wgs84投影，具体的坐标系代码可以通过www.spatialreference.org查阅。
 
对坐标系转换的方法可以使用geodataframe.to_crs()，我的版本会报错’‘b’no arguments in initialization list’，运行pyproj.Proj("+init=epsg:4326")发现不是pyproj库的问题，于是按照之前坐标系转换的方法做了一点修改{‘init’: ‘epsg:3395’}，应当传入proj4字典，最新版本的可以直接使用，将wgs84转换为墨卡托坐标
 
world = world[(world.name != "Antarctica") & (world.name != "Fr. S. Antarctic Lands")]
world = world.to_crs({'init': 'epsg:3395'}) # world.to_crs(epsg=3395) would also work
ax = world.plot()
ax.set_title("Mercator")

 另外使用read_file()导入数据时，可以指定使用的坐标系，分为新的版本和旧的版本




    
 
## OLD
GeoDataFrame(..., crs={'init': 'epsg:4326'})
gdf.crs = {'init': 'epsg:4326'}
gdf.to_crs({'init': 'epsg:4326'})
## NEW
GeoDataFrame(..., crs="EPSG:4326")
gdf.crs = "EPSG:4326"
gdf.to_crs("EPSG:4326")
4.几何操作
 
对Geopandas中的几何文件进行操作主要有如下几个方法
 
GeoSeries.buffer(distance, resolution=16) #根据距离对图形扩展
GeoSeries.boundary #以圆形向周围扩展
GeoSeries.centroid #质心
GeoSeries.convex_hull #变成凸多边形
GeoSeries.envelope #返回点或者与坐标轴平行矩形
GeoSeries.simplify(tolerance, preserve_topology=True) #对图形进行简化
GeoSeries.unary_union #进行合并
 
下面对一些方法进行举例
 
#生成数据，一个三角两个正方形
import geopandas as gpd
from geopandas import GeoSeries
from shapely.geometry import Polygon
p1 = Polygon([(0, 0), (1, 0), (1, 1)])
p2 = Polygon([(0, 0), (1, 0), (1, 1), (0, 1)])
p3 = Polygon([(2, 0), (3, 0), (3, 1), (2, 1)])
g = GeoSeries([p2,p1, p3])
g.plot(cmap = 'GnBu')
buffer操作，注意画完图后坐标轴的范围
 
#扩展距离为0.5
g.buffer(0.5)
g.buffer(0.5).plot(cmap = 'GnBu')

 envelope操作，从结果可以看到，数据变成三个正方形了
 
g.envelope.plot(cmap = 'GnBu')

 使用gdf.area()函数可以获取每个几何形状的面积
 
print(g.area)#返回pandas，每个元素的面积值
#获取城市的区域数据
nybb_path = gpd.datasets.get_path('nybb')
boros = gpd.read_file(nybb_path)
boros.set_index('BoroCode', inplace=True)#设置Geopandas的索引列
boros.sort_index(inplace=True)
boros.plot(cmap = 'GnBu')
#凸多边形操作
boros['geometry'].convex_hull.plot()

 其他操作为，类似美图秀秀，对图片缩放、偏斜等等
 
#其他操作
GeoSeries.affine_transform(self, matrix)
GeoSeries.rotate(self, angle, origin='center', use_radians=False)#对图形进行旋转
GeoSeries.scale(self, xfact=1.0, yfact=1.0, zfact=1.0, origin='center')#进行缩放
GeoSeries.skew(self, angle, origin='center', use_radians=False)#进行偏斜
GeoSeries.translate(self, xoff=0.0, yoff=0.0, zoff=0.0)#进行平移操作
5.集合操作
 
根据重叠区域建立新的图形，主要使用函数为geodataframe.overlay()操作，具体的示意如下图
 
 
#创建基础的数据
from shapely.geometry import Polygon
polys1 = geopandas.GeoSeries([Polygon([(0,0), (2,0), (2,2), (0,2)]),
                              Polygon([(2,2), (4,2), (4,4), (2,4)])])
polys2 = geopandas.GeoSeries([Polygon([(1,1), (3,1), (3,3), (1,3)]),
                              Polygon([(3,3), (5,3), (5,5), (3,5)])])
df1 = geopandas.GeoDataFrame({'geometry': polys1, 'df1':[1,2]})
df2 = geopandas.GeoDataFrame({'geometry': polys2, 'df2':[1,2]})
将例子画出来，原始的为两个形状红和绿，取并集后有多个图形，这里可以回顾一下多图层的画法
 
ax = df1.plot(color='red');
df2.plot(ax=ax, color='green', alpha=0.5)#第一种画图方法
#取并集操作
res_union = gpd.overlay(df1,df2, how='union')#或者df1.overlay(df2,how = '')我的版本会报错
res_union.plot(cmap = 'GnBu')
res_intersection = gpd.overlay(df1, df2, how='intersection')
res_intersection.plot()
#df1['geometry'].intersection(df2['geometry'])同样的效果
#identity表示取本身，加上交集
res_identity = gpd.overlay(df1, df2, how='identity')
res_identity
ax = res_identity.plot(cmap='tab10')
df1.plot(ax=ax, facecolor='none', edgecolor='k')
df2.plot(ax=ax, facecolor='none', edgecolor='k')
5.聚合与连接
 
在非空间数据中，我们可以使用groupby()函数对数据进行汇总。在空间数据中，我们可以使用dissolve()函数聚合几何特征
 
#加入我们只有国家的数据，而我们要研究大陆的特征
world = geopandas.read_file(geopandas.datasets.get_path('naturalearth_lowres'))
world = world[['continent', 'geometry']]
#通过大陆属性进行聚合
continents = world.dissolve(by='continent')#同一个大陆的聚合在一起
continents.plot()
continents.head()#只有大洲的数据了
#如果对聚合后的其他性质感兴趣，可以对dissolve函数传递不同的参数
world = geopandas.read_file(geopandas.datasets.get_path('naturalearth_lowres'))
world = world[['continent', 'geometry', 'pop_est']]
continent = world.dissolve(by = 'continent', aggfunc = 'sum')
continent.plot(column = 'pop_est', scheme='quantiles', cmap='YlOrRd')#scheme类似做一个归一化处理
#其他参数有：‘first’’last’‘min’‘max’‘sum’‘mean’‘median’
连接主要分为属性连接（attribute joins）和空间连接（spatial joins）
 
#先导入基本的数据要素
world = geopandas.read_file(geopandas.datasets.get_path('naturalearth_lowres'))
cities = geopandas.read_file(geopandas.datasets.get_path('naturalearth_cities'))
# for attribute joins
country_shapes = world[['geometry', 'iso_a3']]
country_names = world[['name', 'iso_a3']]
#for spatial joins
countries = world[['geometry', 'name']]
countries = countries.rename(columns={'name':'country'})#更换列名，将name更换为country
属性连接主要使用geodataframe.merge()方法，和pandas的merge()用法相似，如果使用pandas.merge()对GeoDateFrame方法进行连接，则返回结果不再是GeoDataFrame数据
 
#根据iso_a3列对两个数据进行连接
country_shapes = country_shapes.merge(country_names, on = 'iso_a3')
country_shapes.head()

 空间链接，使用gdf.sjoin()函数,spacial joins两个Geometry数据的连接，基于他们的空间关系
 
#一个国家数据，一个点的数据，通过空间关系进行连接
countries.head()
cities.head()
#cities_with_country = cities.sjoin(countries, how="inner", predicate='intersects')官网给的该方法报错，没有sjoin属性
cities_with_country = gpd.sjoin(cities, countries, how="inner")#没有关键字predicate
#结果差不多
Geopandas提供了两个空间连接函数
 
gpd.sjoin()，基于binary predicates (intersects, contains, etc.)二进制谓词
和gpd.sjoin_nearest(), 基于邻进度，可以设置最大搜索半径
gpd.sjoin()有两个核心how 和 predicate
predicate: intersects\contains\within\touches\crosses\overlaps
how:left\right\inner，其中inner使用共同的索引值，并且只保留左边的Geodf
 
另外使用gdf.append()可以对gdf数据进行拼接，类似pandas中的append()方法。同理pd.concat([])方法也可以使用
 
joined = world.geometry.append(cities.geometry)
pd.concat([world, cities])
以上就是对GeoPandas库简单学习过程，该库可以和OSMnx结合，从OSMnx库获取地图资源，再通过GeoPandas进行可视化，以后有机会可以分享一下OSMnx的学习过程。下面为通过GeoPandas库制作的效果图
 
Geopandas官网(https://geopandas.org/en/stable/index.html)
                    GeoPandas库使用入门教程Geopandas入门前言Geopandas库扩展了Pandas的内容，使Python可以对几何类型进行空间操作，其大部分用法同Pandas一致。在教程开始之前，导入最基本的库import geopandas as gpdimport pandas as pdimport matplotlib.pyplot as plt使用步骤1.文件导入\导出与数据结构使用read_file()可以导入任何的空间矢量数据，主要有shp和GeoJson两种。具体用法为ge
本快速教程介绍了GeoPandas的主要概念和基本功能，以帮助您开始编写您的项目。
GeoPandas，顾名思义，通过增加对地理空间数据的支持，扩展了流行的数据科学库pandas 如果你对 pandas不熟悉，我们建议在继续之前快速浏览一下它的快速入门文档。
GeoPandas的核心数据结构是g
				
python-geopandas读取、创建shapefile文件、geopandas学习教程
shapefile是GIS中非常重要的一种数据类型，在ArcGIS中被称为要素类(Feature Class)，主要包括点(point)、线(polyline)和多边形(polygon)。作为一种十分常见的矢量文件格式，geopandas对shapefile提供了很好的读取和写出支持 。
geopandas库允许对几何类型进行空间操作，其DataFrame结构相当于GIS数据中的一张属性表，使得可以直接操作矢量数据
GeoPandas是一个开源项目，可以更轻松地使用python处理地理空间数据。
GeoPandas扩展了Pandas中使用的数据类型DataFrame，允许对几何类型进行空间操作。
GeoPandas的目标是使在python中使用地理空间数据更容易。它结合了Pandas和Shapely的能力，提供了Pandas的地理空间操作和多种Shapely的高级接口。GeoPandas可以让您轻松地在python中进行操作，否则将需要...
				
安装Geopandas的附带库 fiona、gdal、pyproj、shapely，
所以可参考以下步骤操作，以及我的python版本为3.7：下载地址：https://www.lfd.uci.edu/~gohlke/pythonlibs/#gdal
下载到自己的python安装目录下的pip文件夹中。注意whl文件版本号（cp36、cp37等）要与自己电脑匹配，与我电脑匹配的是cp37。
运行cmd——转到whl文件所在目录下——输入pip install whl文件名。
将以上4个whl文件安装成功之后，用清华镜像网址直接安装：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple geopandas
				
包含下载好的 Fiona , GDAl , pyproj , Shapely whl文件（py3.7,win64)
其他包可以通过 pip install geopandas 安装,步骤为cd到指定目录下：
1.pip install 安装GDAL-3.0.3-cp37-cp37m-win_amd64.whl
2.pip install 安装Shapely-1.6.4.post2-cp37-cp37m-win_amd64.whl
3.pip install 安装Fiona-1.8.13-cp37-cp37m-win_amd64.whl
4.pip install 安装pyproj-2.4.2.post1-cp37-cp37m-win_amd64.whl
5.pip install 安装geopandas-0.6.2-py2.py3-none-any.whl，即可成功安装geopandas！
				
由于geopandas库是基于pandas和shapely库的二次开发，因此在下载geopandas之前，需要先安装好这两个库。
1. 安装pandas库
可以在命令行中使用pip命令来安装pandas库：
pip install pandas
2. 安装shapely库
同样可以使用pip命令来安装shapely库：
pip install shapely
3. 安装geopandas库
安装好pandas和shapely库后，就可以使用pip命令来安装geopandas库了：
pip install geopandas
安装好之后，就可以在python代码中使用geopandas库了。