1 可以添加的数据

本地文件	上传 CSV / GeoJSON 文件。 由于数据仅存储在浏览器中，上传的数据量最多为 250MB。 对于大于 250MB 的数据集，应该直接从远程 URL 加载它们。
URL链接	通过直接粘贴远程 URL 来加载数据或地图 JSON。 可以将其链接到 CSV 文件。
样例数据	一个kepler.gl的样例数据

2 支持的坐标系

Kepler.gl支持的投影坐标系统是Web墨卡托坐标系（EPSG:3857），使用WGS84基准。

几何坐标应使用地理坐标参考系统，使用WGS84基准，并且经度和纬度单位应为十进制度数。

3 CSV数据

• CSV文件要求包含标题行和多列。
  • 每一行应代表一个元素
  • 每一列应只包含一个数据类型
  • 基于这些数据类型，kepler.gl将创建图层和过滤器。

3.1 数据类型检测

• 因为CSV文件的内容以字符串形式上传，kepler.gl将尝试通过解析每列的样本数据来检测列数据类型
• 确保清理掉诸如"N/A"、"Null"、"\N"等的值
• 如果列包含混合类型，kepler.gl将将其视为字符串以确保安全性。
• kepler.gl可以检测以下数据类型：

布尔型	True/False
日期（date）	2019-01-01
timestamp	2018-09-01 00:00 , 1570306147 , 1570306147000
geojson	WKT字符串 (Well-Known Text) POLYGON ((-74.158 40.835, -74.148 40.830, -74.151 40.832, -74.158 40.835))
	GeoJson字符串 {"type":"Polygon","coordinates":[[[-74.158,40.835],[-74.157,40.839],[-74.148,40.830],[-74.150,40.833],[-74.151,40.832],[-74.158,40.835]]]}
整数	1,2,3
实数	-0.2,3.14
字符串	hello

3.2 基于列名的图层检测

• 如果列名遵循某些命名约定，kepler.gl将自动检测图层

Point	点图层的名称必须成对出现，并以以下方式结尾：<foo>lat、<foo>lng；<foo>latitude、<foo>longitude；<foo>lat、<foo>lon。
Arc	当CSV数据中包含两个成对的点图层时，kepler.gl将自动创建一个用于表示这两个点之间关系的弧线图层
Icon	表示地图上的不同数据点或特定位置的图形符号 当CSV数据中包含名字叫icon的列时
H3	H3（Hierarchical Hexagonal Geospatial Indexing System）采用六边形网格的层次结构来表示地球上的不同地理区域 H3允许您将地球表面分解为一组六边形单元，这些单元之间具有层次结构，可以表示不同级别的地理区域，从全球到小范围区域 当CSV数据中包含名字叫h3_id，hexagon_id的列时
Polygon	包含geojson数据类型的列 几何形状（多边形、点、线串等）可以以GeoJSON或WKT格式的字符串形式嵌入到CSV中 数据类型是： WKT字符串 POLYGON ((-74.158 40.835, -74.148 40.830, -74.151 40.832, -74.158 40.835)) GeoJson字符串(包括类型和坐标) {"type":"Polygon","coordinates":[[[-74.158,40.835],[-74.157,40.839],[-74.148,40.830],[-74.150,40.833],[-74.151,40.832],[-74.158,40.835]]]}

4 GeoJSON

• kepler.gl 接受 GeoJSON 格式的 JSON 数据，这些数据可以包含单个 Feature 对象或 FeatureCollection 对象。
• 每个 GeoJSON 文件将被 kepler.gl 创建为一个多边形图层（Polygon layer）

4.1 单Feature 对象

get started举的例子：

"type": "Feature", "geometry": { "type": "Polygon", "coordinates": [ [-10.0, -10.0], [10.0, -10.0], [10.0, 10.0], [-10.0, -10.0] "properties": { "name": "foo"

• "type": "Feature" ：这个字段指示这是一个GeoJSON文件中的要素（Feature）对象。

• "geometry" ：这是包含要素几何形状的字段。

  • "type": "Polygon" ：这表示要素的几何形状是一个多边形。

  • "coordinates" ：这个字段包含了多边形的坐标信息。多边形由一个坐标数组表示，每个坐标是一个二维点的数组。在这个例子中，多边形由一个包含四个坐标点的数组组成，这四个点依次是：[-10.0, -10.0]、[10.0, -10.0]、[10.0, 10.0] 和 [-10.0, -10.0]。这些坐标点定义了多边形的边界。

• "properties" ：这个字段包含与要素相关的属性信息。

  • "name": "foo" ：这是一个名为 "name" 的属性，其值为 "foo"。这表示该多边形要素具有一个名为 "name" 的属性，其属性值为 "foo"。

4.2 Feature Collection

"type": "FeatureCollection", "features": [{ "type": "Feature", "geometry": { "type": "Point", "coordinates": [102.0, 0.5] "properties": { "prop0": "value0" "type": "Feature", "geometry": { "type": "LineString", "coordinates": [ [102.0, 0.0], [103.0, 1.0], [104.0, 0.0], [105.0, 1.0] "properties": { "prop0": "value0"

这个GeoJSON文件是一个 FeatureCollection，包含了两个地理要素（Feature）对象

• "type": "FeatureCollection" ：这个字段指示这是一个GeoJSON文件中的要素集合（FeatureCollection）。

• "features" ：这是包含多个要素的数组。在这个例子中，该数组包含了两个要素。

  第一个要素（Feature）：

  • "type": "Feature" ：这个字段指示这是一个GeoJSON文件中的要素对象。
  • "geometry" ：这是包含要素几何形状的字段。
    • "type": "Point" ：这表示要素的几何形状是一个点（Point）。
    • "coordinates" ：这个字段包含了点的坐标信息。在这个例子中，点的坐标是 [102.0, 0.5]，表示位于经度 102.0 和纬度 0.5 的位置。
  • "properties" ：这个字段包含与要素相关的属性信息。
    • "prop0": "value0" ：这是一个名为 "prop0" 的属性，其值为 "value0"。这表示该点要素具有一个名为 "prop0" 的属性，其属性值为 "value0"。

  第二个要素（Feature）：

  • "type": "Feature" ：同样，这个字段指示这是一个GeoJSON文件中的要素对象。
  • "geometry" ：这是包含要素几何形状的字段。
    • "type": "LineString" ：这表示要素的几何形状是一个线串（LineString）。
    • "coordinates" ：这个字段包含了线串的坐标信息。在这个例子中，线串由一系列坐标点组成，表示一条经过多个点的线路。
  • "properties" ：这个字段包含与要素相关的属性信息。
    • "prop0": "value0" ：与第一个要素相同，这也是一个名为 "prop0" 的属性，其值为 "value0"。

综上所述，这个GeoJSON文件描述了一个包含两个要素的要素集合，其中一个要素是点（Point），另一个要素是线串（LineString），并且它们都具有一个名为 "prop0" 的属性

4.3 样式信息

kepler.gl 允许从 GeoJSON 文件中读取样式信息。

可以向要素的属性（properties）中添加样式声明。kepler.gl 将使用这些声明自动为您的要素设置样式

"type": "FeatureCollection", "features": [{ "type": "Feature", "geometry": { "type": "LineString", "coordinates": [ [-105.1547889, 39.9862516], [-105.1547167, 39.9862691] "properties": { "id": "a1398a11-d1ce-421c-bf66-a456ff525de9", "lineColor": [130, 154, 227], "lineWidth": 0.1

5 样例数据

5.1  世界飞行数据

• 该数据集包含使用OpenSky Network的实时API收集的两小时飞行数据
• 飞行的颜色基于其起飞国家。在这两个小时内记录了1.8万次飞行

5.2 加利福尼亚地震数据

• 该数据集包含加利福尼亚发生的2.5级以上地震的列表。
• 信息是使用USGS网站生成的，并为每个地震事件包含多个属性（位置、震级、震级类型）

5.3 纽约市出租车行程数据

黄色和绿色出租车行程记录包括捕捉上车和下车的日期/时间、上车和下车的位置、行程距离、详细费用、费率类型、付款方式和司机报告的乘客数量等字段。

数据来自纽约市出租车和豪华轿车委员会（TLC）网站。

5.4 旧金山等高线数据

这个数据集包含旧金山本土和宝岛/耶尔巴岛的等高线数据，基于旧金山等高基准。

5.5 旧金山街道树木地图

这个数据集包含了由dpw维护的街道树木的列表，包括种植日期、树种和位置等信息。数据来源：DataSF。

5.6 英格兰和威尔士通勤地图

这个数据集显示了居住地和工作地点的位置，基于英格兰和威尔士居住地2011年人口普查的数据。该数据将人们当前居住地区或更高级别地区分类，并显示他们在居住地区和工作地点之间的迁移。

5.7 自2006年以来在洛杉矶建造的200万美元以上住宅

这个数据集包含了2006年至2017年每年税务评估卷中用于估价和描述的土地地块数据。

5.8 Uber Movement出行时间数据

Uber Movement提供了来自数十亿次Uber行程的出行时间数据的免费和公开访问。

5.9 2017年美国各县的失业率数据

这个数据集包含了来自劳工统计局的2017年劳动力信息，与人口普查局的县级地图数据相结合。

6 添加多个数据

要向您的地图添加多个数据集，您可以按照以下步骤进行操作：

1. 在右上角点击“Add More Data”。

1. 选择以下其中一种选项：上传一个JSON/CSV文件，或者使用示例数据。

2. 根据需要重复上述步骤。您可以添加多个数据集，没有数据集数量的限制。但是请注意，添

上传 CSV / GeoJSON 文件。由于数据仅存储在浏览器中，上传的数据量最多为 250MB。对于大于 250MB 的数据集，应该直接从远程 URL 加载它们。通过直接粘贴远程 URL 来加载数据或地图 JSON。可以将其链接到 CSV 文件。 演示应用| Docs Kepler . gl 是与 数据 无关的高性能基于Web的应用程序，用于可视化大规模地理定位 数据 集。 构建在Mapbox GL 和de kepler . gl 之上| 演示应用| Docs Kepler . gl 是与 数据 无关的高性能基于Web的应用程序，用于可视化大规模地理定位 数据 集。 建立在Mapbox GL 和deck. gl 之上， kepler . gl 可以渲染代表成千上万次旅行的数百万个点，并即时执行空间聚合。 Kepler . gl 还是一个使用Redux来管理其状态和 数据 流的React组件。 它可以嵌入到其他React-Redux应用程序中，并且可以高度自定义。 演示应用 | Docs Kepler . gl 是一个 数据 不可知的、基于 Web 的高性能应用程序，用于大规模地理定位 数据 集的可视化探索。 建立在 Mapbox GL 和deck. gl 之上， kepler . gl 可以渲染代表数千次旅行的数百万个点并动态执行空间聚合。 Kepler . gl 也是一个 React 组件，它使用 Redux 来管理其状态和 数据 流。 它可以嵌入到其他 React-Redux 应用程序中，并且是高度可定制的。 有关如何将 kepler . gl 嵌入您的应用程序的信息，请查看 vis.academy 上的此分步教程。 链接网站演示示例入门应用程序用户指南 Jupyter 小部件用户指南教程堆栈溢出贡献指南 Api 参考路线图 Env 使用节点 10.15.0 或更高版本，旧节点版本尚未得到支持/测试。 为获得最佳效果，请使用 nvm nvm install。 安装 kepler . gl 安装节点(> 10.15.0)、yarn 和项目依赖 大家好，我是Peter~ 今天给大家介绍一款超赞的空间（地理） 数据 可视化神器： kepler gl 。小编最近偶然发现的这个神器是Uber完全开源的，也是Uber内部进行空间 数据 可视化的默认工具。 通过其面向Python开放的接口包 kepler gl ，我们可以在jupyter notebook中通过书写Python代码的方式传入多种格式的 数据 ，在其嵌入notebook的交互窗口中使用其内建的多种丰富的空间 数据 可视化功能。下面有3个主要的学习地址： 1、官网地址：. 一个快速后端，为 kepler -demo提供默认的config.json。 “保存配置”按钮，将旧的默认地图替换为当前地图。 以下是吉尔吉斯斯坦的两所示例学校，根据它们与互联网的连接程度进行了着色。 bash setup.sh vi ./client/.env # update REACT_APP_MAPBOX_ACCESS_TOKEN docker-compose up 开发人员背景 该演示基于。 以下是一些学习如何与开普勒一起工作的资料： 包含一些有关如何将自定义行为与 Kepler 集成的最佳文档 开普勒本身就是基于Redux构建的。 对Redux的了解有助于对UI进行任何更改。 Redux的基础教程涵盖了关键概念。 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... 这是一个让某种小游戏运行的简单例子。 这将运行 CartPole-v0 环境实例 1000 个时间步，在每次迭代的时候都会将环境初始化(env.render)。运行之后你将会看到一个经典的推车杆问题 import gym env = gym.make('CartPole-v0') env.reset() for _ in rang... 论文笔记：Spatial-Temporal Map Vehicle Trajectory Detection Using Dynamic Mode Decomposition and Res-UNe Chole_J: 这篇论文应该是Segmentation is Tracking: Spatial-Temporal Map Vehicle Trajectory Reconstruction and Validation？ 论文笔记：Beyond Imitation: Generating Human Mobility fromContext-aware Reasoning with Large Language Mo CSDN-Ada助手: 你好，CSDN 开始提供 #论文阅读# 的列表服务了。请看：https://blog.csdn.net/nav/advanced-technology/paper-reading?utm_source=csdn_ai_ada_blog_reply 。如果你有更多需求，请来这里 https://gitcode.net/csdn/csdn-tags/-/issues/34?utm_source=csdn_ai_ada_blog_reply 给我们提。 多智能体强化学习：合作关系设定下的多智能体强化学习 仙电小次郎: 大佬，有完全中心式的框架推荐吗 论文笔记 Exploring Large Language Models forHuman Mobility Prediction under Public Events CSDN-Ada助手: 你好，CSDN 开始提供 #论文阅读# 的列表服务了。请看：https://blog.csdn.net/nav/advanced-technology/paper-reading?utm_source=csdn_ai_ada_blog_reply 。如果你有更多需求，请来这里 https://gitcode.net/csdn/csdn-tags/-/issues/34?utm_source=csdn_ai_ada_blog_reply 给我们提。