海南智能网站建设设计,网站制作基础教程,凡客另一购物网站,长沙优化网站关键词空间数据分析是指利用地理信息系统(GIS)技术和空间统计学等方法#xff0c;对空间数据进行处理、分析和可视化#xff0c;以揭示数据之间的空间关系和趋势性#xff0c;为决策者提供有效的空间决策支持。空间数据分析已经被广泛运用在城市规划、交通管理、环境保护、农业种植…空间数据分析是指利用地理信息系统(GIS)技术和空间统计学等方法对空间数据进行处理、分析和可视化以揭示数据之间的空间关系和趋势性为决策者提供有效的空间决策支持。空间数据分析已经被广泛运用在城市规划、交通管理、环境保护、农业种植、自然资源管理等领域成为现代社会中重要的数据分析手段。
1. PySAL空间数据分析工具库介绍
1.1. 概况
当涉及空间数据分析和空间统计时PySALPython Spatial Analysis Library是一个常用的 Python 库它提供了丰富的空间数据分析工具和统计方法。PySAL是一个基于Python进行探索性空间数据分析的开放源码库是由亚利桑那州立大学GeoDa Center for Geospatial Analysis and Computation赞助的社区项目以下是其主要特点和功能 空间数据结构 PySAL 提供了用于表示空间数据的数据结构例如点、线、面等几何对象以及空间权重矩阵、空间连接图等。这些数据结构可以方便地用于空间数据的存储、处理和分析。 空间权重矩阵 PySAL 支持多种空间权重矩阵的构建和处理包括 Queen、Rook、Distance 等不同类型的空间权重矩阵。这些权重矩阵可以用于衡量空间数据中地理单元之间的空间关联程度。 空间自相关分析 PySAL 提供了用于计算莫兰指数、Getis-Ord 统计量等空间自相关指标的工具用于评估空间数据中的空间相关性和集聚模式。 空间回归分析 PySAL 支持空间回归模型的构建和分析包括空间滞后模型、空间误差模型等用于探索空间数据中的空间依赖关系和空间异质性。 空间聚类分析 PySAL 提供了用于空间聚类分析的工具例如 DBSCAN、K-means 等算法用于发现空间数据中的集群和簇。 空间插值和空间可视化 PySAL 支持空间插值方法的应用用于估计空间数据在未观测位置的值。此外PySAL 还提供了用于空间数据可视化的工具如地图绘制、空间图层叠加等。
PySAL 是一个功能强大且灵活的空间数据分析工具库适用于地理信息系统、城市规划、环境科学、社会学等领域的空间数据分析和空间统计研究。通过使用 PySAL可以更好地理解空间数据的特征和规律支持空间决策和规划的制定。
1.2. 开源库构成
在 PySALPython Spatial Analysis Library中lib、explore、model 和 viz 是不同模块各自提供了一些功能 libLibrary lib 模块提供了一些核心的功能和工具用于空间数据的处理、空间权重矩阵的构建、空间距离计算等基本操作。在 lib 模块中你可以找到用于处理空间数据的数据结构、空间权重矩阵的构建方法、空间距离的计算函数等。 exploreExploratory Spatial Data Analysis explore 模块提供了用于探索性空间数据分析的工具和方法包括莫兰指数、Getis-Ord 统计量等空间自相关指标的计算方法。使用 explore 模块你可以进行空间自相关分析、空间集群分析等从而了解空间数据中的空间模式和空间关联性。 modelSpatial Econometrics Models model 模块提供了一些空间计量经济学模型的实现包括空间回归模型、空间滞后模型等。使用 model 模块你可以构建和估计空间计量经济学模型用于分析空间数据中的空间依赖关系和空间异质性。 vizVisualization viz 模块提供了用于空间数据可视化的工具和方法包括地图绘制、空间图层叠加、空间数据的可视化效果等。使用 viz 模块你可以将空间数据在地图上进行可视化展示直观地呈现空间数据的分布特征和空间关联性。
这些模块提供了 PySAL 中常用的功能和工具可以帮助你进行空间数据分析、空间统计和空间建模等任务。你可以根据自己的需求选择适合的模块和方法来处理和分析空间数据。
开源地址https://github.com/pysal/pysal。
1.3. 核心模块libpysal
libpysal是Python空间分析库核心库它提供了四个模块构成了PySAL系列的空间分析工具
空间权重 libpysal.weights输入和输出libpysal.io计算几何学libpysal.cg内置示例数据集 libpysal.examples
开源地址https://github.com/pysal/。
2. PySAL安装
我在windows10环境中直接使用pip安装。
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple pysal
3. 空间数据分析案例
本文使用PySAL在线教程中探索莫兰指数可视化案例其数据集为Guerry 。
Guerry 数据集是由法国统计学家 André-Michel Guerry 在 1833 年创建的。该数据集包含了法国各个行政区的社会经济数据包括人口统计、犯罪率、教育水平等指标。这些数据被用来分析社会现象并成为统计学和社会科学研究中的经典数据集之一。
Guerry 数据集最著名的用途是在统计图表的历史上它被用来展示了统计图表中数据之间的相关性。这个数据集的独特之处在于它是早期社会科学研究中首次采用统计方法来分析社会现象的尝试之一对后来的社会科学研究产生了深远影响。
3.1. 数据项解释
这个表中各列的含义如下
序号名称说明1dept部门部门的标识符或名称2Region地区部门所在地区的标识符或名称3Dprtmnt部门部门的标识符或名称与 ‘dept’ 列可能表示相同的信息4Crm_prs犯罪人数人口中的犯罪人数6Litercy识字率人口中的识字率7Donatns慈善捐款人均慈善捐款数额8Infants婴儿死亡率婴儿的死亡率9Suicids自杀率自杀的比率10MainCty主要城市部门所在的主要城市或城镇11Wealth财富指数部门或地区的财富水平12Commerc商业指数部门或地区的商业繁荣程度13Clergy牧师数目部门或地区的牧师数量14Crm_prn犯罪率犯罪率的另一种表示方式15Infntcd婴儿死亡数目婴儿的死亡数量16Dntn_cl慈善捐款类别慈善捐款的具体类别17Lottery彩票支出彩票支出的金额或比率18Desertn遗弃地区的遗弃现象或问题19Instrct指导教育或指导资源的可用性20Prsttts圣职人员地区的宗教或教堂官员数量21Distanc距离部门或地区之间的距离22Area面积部门或地区的面积大小23Pop1831人口1831年的人口数量24geometry几何数据可能是地理空间数据中的几何信息 3.2. 数据获取
Guerry 数据集不在默认的安装包和github中需要远程下载。
import libpysal
# Downloading Remote Datasets
balt_url libpysal.examples.get_url(Guerry)
balt_url获取地址为https://geodacenter.github.io/data-and-lab//data/guerry.zip。手工下载此压缩包解压到Guerry文件夹中。
3.3. 实验之旅
%matplotlib inlineimport matplotlib.pyplot as plt
from libpysal.weights.contiguity import Queen
from libpysal import examples
import numpy as np
import pandas as pd
import geopandas as gpd
import os
import splotgdf gpd.read_file(Guerry/Guerry.shp)
# 输出数据见上表
gdfy gdf[Donatns].values
w Queen.from_dataframe(gdf)
w.transform r这段代码涉及地理空间数据分析的基本步骤以下是对每行代码的解释 y gdf[Donatns].values 这一行从地理数据框架geodataframe gdf 中选择了名为 ‘Donatns’ 的列并将其转换为 NumPy 数组array。这样做是为了提取感兴趣的变量在这种情况下是慈善捐款以便进行进一步的分析和建模。 w Queen.from_dataframe(gdf) 这一行使用 Queen.from_dataframe 方法从地理数据框架 gdf 中创建了一个 Queen 邻接权重矩阵spatial weights matrix。Queen 邻接权重矩阵描述了地理空间中各个区域之间的邻接关系即哪些区域是相邻的。 w.transform r 这一行设置了权重矩阵 w 的转换方式为行标准化row-standardized。行标准化是一种常见的操作它将权重矩阵的每一行都除以该行的权重总和以确保每个单位即行的权重之和为 1。行标准化可以使权重矩阵更容易解释和应用尤其在一些空间分析和空间统计方法中。
from esda.moran import Moranw Queen.from_dataframe(gdf)
moran Moran(y, w)
moran.Iprint(Morans I 值为,moran.I)
print(随机分布假设下Z检验值为,moran.z_rand)
print(随机分布假设下Z检验的P值为,moran.p_rand)
print(正态分布假设下Z检验值为,moran.z_norm)
print(正态分布假设下Z检验的P值为,moran.p_norm)Morans I 值为 0.3533613255848606随机分布假设下Z检验值为 5.378368837667692随机分布假设下Z检验的P值为 7.516371034073079e-08正态分布假设下Z检验值为 5.235533901743425正态分布假设下Z检验的P值为 1.6450862400833017e-07Moran’s I 值0.3533613255848606这是莫兰指数用于衡量空间自相关的程度。它的取值范围在 -1 到 1 之间。如果值接近 1则表示正的空间自相关即相似的值聚集在一起如果接近 -1则表示负的空间自相关即相异的值聚集在一起如果接近 0则表示没有空间自相关。 随机分布假设下Z检验值5.378368837667692这是基于随机分布假设进行的 Z 检验的统计值。它衡量了观察到的莫兰指数是否显著地不同于在随机分布情况下预期的值。较大的 Z 值表明观察到的空间自相关性更高。 随机分布假设下Z检验的P值7.516371034073079e-08这是 Z 检验的 p 值表示观察到的莫兰指数在随机分布假设下的显著性水平。p 值越小表明观察到的空间自相关性越显著。 正态分布假设下Z检验值5.235533901743425这是基于正态分布假设进行的 Z 检验的统计值。它类似于随机分布假设下的 Z 检验值用于检验观察到的莫兰指数是否显著地不同于在正态分布情况下预期的值。 正态分布假设下Z检验的P值1.6450862400833017e-07这是 Z 检验的 p 值表示观察到的莫兰指数在正态分布假设下的显著性水平。与随机分布假设下的 p 值一样p 值越小表明观察到的空间自相关性越显著。
综合来看莫兰指数值为 0.353 表明存在一定程度的正的空间自相关性而随机分布假设下的 p 值和正态分布假设下的 p 值都非常小小于 0.05因此我们可以拒绝空间自相关性不存在的原假设得出结论认为观察到的空间自相关性是显著的。 在这种情况下莫兰指数 ( I 0.353 ) 虽然不算非常大但其所对应的 p 值非常小远小于一般的显著性水平比如 ( \alpha 0.05 )。这表示观察到的空间自相关性在统计上是显著的即我们有足够的证据来拒绝空间自相关性不存在的原假设。 因此显著性水平很低的 p 值表明我们对观察到的空间自相关性是非常有信心的这增强了我们对结果的信任程度。 from splot.esda import moran_scatterplot
fig, ax moran_scatterplot(moran, aspect_equalTrue)
plt.show()from splot.esda import plot_moranplot_moran(moran, zstandardTrue, figsize(10,4))
plt.show()from splot.esda import plot_local_autocorrelation
plot_local_autocorrelation(moran_loc, gdf, Donatns)
plt.show()通常情况下通过不同的可视化方式来观察统计结果或者解释这些结果会更容易理解。在这里例如我们可以看到一个莫兰散点图Moran Scatterplot、LISA 聚类图和区域填充图choropleth map的静态可视化。 莫兰散点图Moran Scatterplot莫兰散点图用于展示空间自相关性的模式。它通常在 x 轴和 y 轴上分别表示变量的观测值然后通过散点图来展示空间相关性的程度。通过观察散点图的分布模式我们可以更直观地了解变量之间的空间关系。 LISA 聚类图LISALocal Indicators of Spatial Association聚类图是用于展示空间聚类模式的工具。它显示了地理空间上不同区域之间的局部空间相关性即是否存在局部空间集聚或分散的现象。通过不同的颜色和形状来表示不同类型的空间关系比如高高HH、低低LL、高低HL、低高LH等。 区域填充图Choropleth Map区域填充图是一种常见的地图类型用于展示地理空间上的统计数据。不同区域根据其对应的统计值着色颜色的深浅或者颜色的种类表示不同的数值范围或者类别使得观察者能够直观地了解地理空间上的数据分布情况。
综合来看通过这些可视化工具我们可以更全面地理解空间数据分析的结果从不同角度和不同视觉效果来观察数据有助于发现隐藏在数据背后的模式和规律。
4. 小结
当你有二维坐标的 POI 数据时你可以使用 PySAL 进行各种空间分析。虽然 PySAL 最初是为地理空间数据设计的但它也可以处理二维坐标数据例如对于城市中的 POI 数据。
以下是一些你可以使用 PySAL 进行空间分析的示例 空间权重矩阵的构建 根据 POI 数据的二维坐标你可以构建空间权重矩阵来衡量不同 POI 之间的空间关系。常见的空间权重矩阵包括邻近权重矩阵和距离权重矩阵。你可以使用 PySAL 的 weights 模块来构建这些权重矩阵。 空间自相关分析 使用 PySAL你可以计算莫兰指数等空间自相关指标评估 POI 数据中的空间相关性和集聚模式。你可以使用 esda 模块中的 Moran 类来计算莫兰指数。 空间聚类分析 你可以使用 PySAL 进行空间聚类分析发现城市中不同 POI 的空间集群和簇。你可以使用 cluster 模块中的聚类算法如 DBSCAN、K-means 等。 空间可视化 PySAL 提供了丰富的空间可视化工具你可以将二维坐标的 POI 数据在地图上进行可视化展示。你可以使用 matplotlib 等库来绘制地图并结合 PySAL 提供的空间分析结果来进行可视化展示。
总体而言尽管 PySAL 最初是为地理空间数据设计的但它也可以处理二维坐标数据并提供了丰富的空间分析工具和方法可以帮助你理解和分析二维空间数据中的模式、关联和趋势。
参考
[1]. 酱肉包-. Python空间分析| 01 利用Python计算全局莫兰指数Global Moran’s I.CSDN博客. 2023.02
[2]. rgb2gray. ESDA in PySal (5)空间数据的探索性分析空间自相关. CSDN博客. 2023.10
[3]. http://pysal.org/notebooks/viz/splot/esda_morans_viz.html
[4]. https://pysal.org/libpysal/notebooks/examples.html 文章转载自： http://www.morning.jmmz.cn.gov.cn.jmmz.cn http://www.morning.gsqw.cn.gov.cn.gsqw.cn http://www.morning.swyr.cn.gov.cn.swyr.cn http://www.morning.mkygc.cn.gov.cn.mkygc.cn http://www.morning.wprxm.cn.gov.cn.wprxm.cn http://www.morning.ykrg.cn.gov.cn.ykrg.cn http://www.morning.qgzmz.cn.gov.cn.qgzmz.cn http://www.morning.wklhn.cn.gov.cn.wklhn.cn http://www.morning.kphyl.cn.gov.cn.kphyl.cn http://www.morning.rkwlg.cn.gov.cn.rkwlg.cn http://www.morning.zxznh.cn.gov.cn.zxznh.cn http://www.morning.mhdwp.cn.gov.cn.mhdwp.cn http://www.morning.wmqxt.cn.gov.cn.wmqxt.cn http://www.morning.bwnd.cn.gov.cn.bwnd.cn http://www.morning.mznqz.cn.gov.cn.mznqz.cn http://www.morning.rtzd.cn.gov.cn.rtzd.cn http://www.morning.ghcfx.cn.gov.cn.ghcfx.cn http://www.morning.yccnj.cn.gov.cn.yccnj.cn http://www.morning.gqtxz.cn.gov.cn.gqtxz.cn http://www.morning.pghgq.cn.gov.cn.pghgq.cn http://www.morning.ptwzy.cn.gov.cn.ptwzy.cn http://www.morning.rbsmm.cn.gov.cn.rbsmm.cn http://www.morning.bwxph.cn.gov.cn.bwxph.cn http://www.morning.rbgqn.cn.gov.cn.rbgqn.cn http://www.morning.ctlzf.cn.gov.cn.ctlzf.cn http://www.morning.ghxsn.cn.gov.cn.ghxsn.cn http://www.morning.fsqbx.cn.gov.cn.fsqbx.cn http://www.morning.nlcw.cn.gov.cn.nlcw.cn http://www.morning.sqnxk.cn.gov.cn.sqnxk.cn http://www.morning.hmktd.cn.gov.cn.hmktd.cn http://www.morning.fnwny.cn.gov.cn.fnwny.cn http://www.morning.xtrzh.cn.gov.cn.xtrzh.cn http://www.morning.llllcc.com.gov.cn.llllcc.com http://www.morning.qhrlb.cn.gov.cn.qhrlb.cn http://www.morning.zfhzx.cn.gov.cn.zfhzx.cn http://www.morning.dbcw.cn.gov.cn.dbcw.cn http://www.morning.gchqy.cn.gov.cn.gchqy.cn http://www.morning.wnhgb.cn.gov.cn.wnhgb.cn http://www.morning.rnngz.cn.gov.cn.rnngz.cn http://www.morning.kksjr.cn.gov.cn.kksjr.cn http://www.morning.qgghr.cn.gov.cn.qgghr.cn http://www.morning.kqlrl.cn.gov.cn.kqlrl.cn http://www.morning.fjtnh.cn.gov.cn.fjtnh.cn http://www.morning.nkpml.cn.gov.cn.nkpml.cn http://www.morning.gqtw.cn.gov.cn.gqtw.cn http://www.morning.ltcnd.cn.gov.cn.ltcnd.cn http://www.morning.hxrg.cn.gov.cn.hxrg.cn http://www.morning.szzxqc.com.gov.cn.szzxqc.com http://www.morning.fmkbk.cn.gov.cn.fmkbk.cn http://www.morning.msfqt.cn.gov.cn.msfqt.cn http://www.morning.wtcd.cn.gov.cn.wtcd.cn http://www.morning.sldrd.cn.gov.cn.sldrd.cn http://www.morning.ptqds.cn.gov.cn.ptqds.cn http://www.morning.mfcbk.cn.gov.cn.mfcbk.cn http://www.morning.rmlz.cn.gov.cn.rmlz.cn http://www.morning.pqwjh.cn.gov.cn.pqwjh.cn http://www.morning.bhdyr.cn.gov.cn.bhdyr.cn http://www.morning.skrrq.cn.gov.cn.skrrq.cn http://www.morning.rszyf.cn.gov.cn.rszyf.cn http://www.morning.tgtwy.cn.gov.cn.tgtwy.cn http://www.morning.pqktp.cn.gov.cn.pqktp.cn http://www.morning.wptdg.cn.gov.cn.wptdg.cn http://www.morning.mkydt.cn.gov.cn.mkydt.cn http://www.morning.bxqtq.cn.gov.cn.bxqtq.cn http://www.morning.xqtqm.cn.gov.cn.xqtqm.cn http://www.morning.jpqmq.cn.gov.cn.jpqmq.cn http://www.morning.nykzl.cn.gov.cn.nykzl.cn http://www.morning.wkxsy.cn.gov.cn.wkxsy.cn http://www.morning.myhpj.cn.gov.cn.myhpj.cn http://www.morning.tslwz.cn.gov.cn.tslwz.cn http://www.morning.ghssm.cn.gov.cn.ghssm.cn http://www.morning.ljllt.cn.gov.cn.ljllt.cn http://www.morning.yunease.com.gov.cn.yunease.com http://www.morning.zbnkt.cn.gov.cn.zbnkt.cn http://www.morning.qczpf.cn.gov.cn.qczpf.cn http://www.morning.pjtnk.cn.gov.cn.pjtnk.cn http://www.morning.rtsdz.cn.gov.cn.rtsdz.cn http://www.morning.dpplr.cn.gov.cn.dpplr.cn http://www.morning.pqkrh.cn.gov.cn.pqkrh.cn http://www.morning.bpmnz.cn.gov.cn.bpmnz.cn
