整合营销服务商

电脑端+手机端+微信端=数据同步管理

免费咨询热线:

利用 Echarts 简单制作省份或区域地图步骤

Echarts 无论是制作省份地图还是区县域地图,他们的步骤都是基本一样的。

下面本人就 利用 Echarts 简单绘制省份地图 的步骤与经验与各位分享一下。

1、准备工作

  • 1.1 下载js静态文件china.jsecharts.min.js

  • 1.2 下载中国各省、各市的 .json 文件省份或者地区的数据文件网址:https://github.com/longwosion/geojson-map-china

2、获取省份数据

  • 2.1 第一步:获取XX省的地图 json 数据文件(例:江苏省:32.json)(是以各省身份证号 前两位 开头命名的)
  • 2.2 第二步:将获取到的JSON文件 转换 成 js 文件(江苏省:jiangsu.js)
  • 2.3 第三步:修改转换后的 js 文件 打开 js 文件添加变量 xx (这里本人命名习惯为 :(省名拼音小写+Json)例:jiangsuJson)var xx = (js文件)
  • 例:
      var jiangsuJson = {"type": "FeatureCollection","cp":[118.8586,32.915], ........}保存 js 文件。

3、在Django中编写 HTML 代码

  • 3.1 在<head> </head>中引入 js 文件
<script type="text/javascript" src="/static/js/echarts.min.js"></script>
<script type="text/javascript" src="/static/js/jiangsu.js"></script>
  • 3.2 在<body></body>中写入作图代码
<div>
    {# 标记 #}
     <a class="btn btn-success btn-sm" >江苏省</a>
    {# 地图代码开始 #}
     <div class="x-body">
         <!-- 为ECharts准备一个具备大小(宽高)的Dom -->
         <div id="main" style="width: 949.75px;height:450px;"></div>
         </div>
                    
         <script type="text/javascript">
               echarts.registerMap('jiangsu', jiangsuJson);

               // 基于准备好的dom,初始化echarts实例
               var myChart = echarts.init(document.getElementById('main'));

               // 使用刚指定的配置项和数据显示图表。
               myChart.setOption({
                   series: [{
                       type: 'map',
                       map: 'jiangsu'
                       }]
                });
           </script>                    
</div>
  • 3.3 运行代码,就能看到结果

4、总结

其实只要按照本人上面的做法,就可以制作出来,本人绘不是很复杂,如果各位对省图还需要其他显示功能,大家不妨访问 Echarts 的官网。

于转载授授权

大数据文摘作品,欢迎个人转发朋友圈,自媒体、媒体、机构转载务必申请授权,后台留言“机构名称+文章标题+转载”,申请过授权的不必再次申请,只要按约定转载即可,但文末需放置大数据文摘二维码。

编译:佘彦遥程序注释:席雄芬校对:丁雪

Folium是建立在Python生态系统的数据整理(Datawrangling)能力和Leaflet.js库的映射能力之上的开源库。用Python处理数据,然后用Folium将它在Leaflet地图上进行可视化。

概念

Folium能够将通过Python处理后的数据轻松地在交互式的Leaflet地图上进行可视化展示。它不单单可以在地图上展示数据的分布图,还可以使用Vincent/Vega在地图上加以标记。

这个开源库中有许多来自OpenStreetMap、MapQuest Open、MapQuestOpen Aerial、Mapbox和Stamen的内建地图元件,而且支持使用Mapbox或Cloudmade的API密钥来定制个性化的地图元件。Folium支持GeoJSON和TopoJSON两种文件格式的叠加,也可以将数据连接到这两种文件格式的叠加层,最后可使用color-brewer配色方案创建分布图。

安装

安装folium包

开始创建地图

创建底图,传入起始坐标到Folium地图中:

importfolium

map_osm= folium.Map(location=[45.5236, -122.6750]) #输入坐标

map_osm.create_map(path='osm.html')

Folium默认使用OpenStreetMap元件,但是Stamen Terrain, Stamen Toner, Mapbox Bright 和MapboxControl空间元件是内置的:

#输入位置,tiles,缩放比例

stamen =folium.Map(location=[45.5236, -122.6750], tiles='Stamen Toner',zoom_start=13)

stamen.create_map(path='stamen_toner.html')#保存图片

Folium也支持Cloudmade 和 Mapbox的个性化定制地图元件,只需简单地传入API_key :

custom =folium.Map(location=[45.5236, -122.6750], tiles='Mapbox',

API_key='wrobstory.map-12345678')

最后,Folium支持传入任何与Leaflet.js兼容的个性化地图元件:

tileset= r'http://{s}.tiles.yourtiles.com/{z}/{x}/{y}.png'

map =folium.Map(location=[45.372, -121.6972], zoom_start=12,

tiles=tileset, attr='My DataAttribution')

地图标记

Folium支持多种标记类型的绘制,下面从一个简单的Leaflet类型的位置标记弹出文本开始:

map_1 =folium.Map(location=[45.372, -121.6972], zoom_start=12,

tiles='Stamen Terrain')

map_1.simple_marker([45.3288,-121.6625], popup='Mt. Hood Meadows')#文字标记

map_1.simple_marker([45.3311,-121.7113], popup='Timberline Lodge')

map_1.create_map(path='mthood.html')

Folium支持多种颜色和标记图标类型:

map_1 =folium.Map(location=[45.372, -121.6972], zoom_start=12,tiles='Stamen Terrain')

map_1.simple_marker([45.3288,-121.6625], popup='Mt. Hood Meadows',marker_icon='cloud') #标记图标类型为云

map_1.simple_marker([45.3311,-121.7113], popup='Timberline Lodge',marker_color='green') #标记颜色为绿色

map_1.simple_marker([45.3300,-121.6823], popup='Some OtherLocation',marker_color='red',marker_icon='info-sign')

#标记颜色为红色,标记图标为“info-sign”)

map_1.create_map(path='iconTest.html')

Folium也支持使用个性化的尺寸和颜色进行圆形标记:

map_2 =folium.Map(location=[45.5236, -122.6750], tiles='Stamen Toner',

zoom_start=13)

map_2.simple_marker(location=[45.5244,-122.6699], popup='The Waterfront')

简单树叶类型标记

map_2.circle_marker(location=[45.5215,-122.6261], radius=500,

popup='Laurelhurst Park',line_color='#3186cc',

fill_color='#3186cc')#圆形标记

map_2.create_map(path='portland.html')

Folium有一个简便的功能可以使经/纬度悬浮于地图上:

map_3 =folium.Map(location=[46.1991, -122.1889], tiles='Stamen Terrain',zoom_start=13)

map_3.lat_lng_popover()

map_3.create_map(path='sthelens.html')

Click-for-marker功能允许标记动态放置:

map_4 =folium.Map(location=[46.8527, -121.7649], tiles='Stamen Terrain',zoom_start=13)

map_4.simple_marker(location=[46.8354,-121.7325], popup='Camp Muir')

map_4.click_for_marker(popup='Waypoint')

map_4.create_map(path='mtrainier.html')

Folium也支持来自Leaflet-DVF的Polygon(多边形)标记集:

map_5 =folium.Map(location=[45.5236, -122.6750], zoom_start=13)

map_5.polygon_marker(location=[45.5012,-122.6655], popup='Ross Island Bridge',fill_color='#132b5e', num_sides=3,radius=10)#三边形标记

map_5.polygon_marker(location=[45.5132,-122.6708], popup='Hawthorne Bridge',fill_color='#45647d', num_sides=4,radius=10)#四边形标记

map_5.polygon_marker(location=[45.5275,-122.6692], popup='Steel Bridge',fill_color='#769d96', num_sides=6, radius=10)#四边形标记

map_5.polygon_marker(location=[45.5318,-122.6745], popup='Broadway Bridge',fill_color='#769d96', num_sides=8,radius=10) #八边形标记

map_5.create_map(path='bridges.html')

Vincent/Vega标记

Folium能够使用vincent 进行任何类型标记,并悬浮在地图上。

buoy_map= folium.Map(location=[46.3014, -123.7390], zoom_start=7,

tiles='StamenTerrain')

buoy_map.polygon_marker(location=[47.3489,-124.708], fill_color='#43d9de',radius=12, popup=(vis1, 'vis1.json'))

buoy_map.polygon_marker(location=[44.639,-124.5339], fill_color='#43d9de',radius=12, popup=(vis2, 'vis2.json'))

buoy_map.polygon_marker(location=[46.216,-124.1280], fill_color='#43d9de',radius=12, popup=(vis3, 'vis3.json'))

GeoJSON/TopoJSON层叠加

GeoJSON 和TopoJSON层都可以导入到地图,不同的层可以在同一张地图上可视化出来:

geo_path= r'data/antarctic_ice_edge.json'

topo_path= r'data/antarctic_ice_shelf_topo.json'

ice_map= folium.Map(location=[-59.1759, -11.6016],tiles='Mapbox Bright', zoom_start=2)

ice_map.geo_json(geo_path=geo_path)#导入geoJson层

ice_map.geo_json(geo_path=topo_path,topojson='objects.antarctic_ice_shelf')#导入Toposon层

ice_map.create_map(path='ice_map.html')

分布图

Folium允许PandasDataFrames/Series类型和Geo/TopoJSON类型之间数据转换。Color Brewer 颜色方案也是内建在这个库,可以直接导入快速可视化不同的组合:

importfolium

importpandas as pd

state_geo= r'data/us-states.json'#地理位置文件

state_unemployment= r'data/US_Unemployment_Oct2012.csv'#美国失业率文件

state_data= pd.read_csv(state_unemployment)

#LetFolium determine the scale

map =folium.Map(location=[48, -102], zoom_start=3)

map.geo_json(geo_path=state_geo,data=state_data,

columns=['State', 'Unemployment'],

key_on='feature.id',

fill_color='YlGn',fill_opacity=0.7, line_opacity=0.2,

legend_name='Unemployment Rate(%)')

map.create_map(path='us_states.html')

基于D3阈值尺度,Folium在右上方创建图例,通过分位数创建最佳猜测值,导入设定的阈值很简单:

map.geo_json(geo_path=state_geo,data=state_data,

columns=['State', 'Unemployment'],

threshold_scale=[5, 6, 7, 8, 9,10],

key_on='feature.id',

fill_color='BuPu',fill_opacity=0.7, line_opacity=0.5,

legend_name='Unemployment Rate(%)',

reset=True)

map.create_map(path='us_states.html')

通过Pandas DataFrame进行数据处理,可以快速可视化不同的数据集。下面的例子中,df DataFrame包含6列不同的经济数据,我们将在下面可视化一部分数据:

2011年就业率分布图

map_1 =folium.Map(location=[48, -102], zoom_start=3)

map_1.geo_json(geo_path=county_geo,data_out='data1.json', data=df,

columns=['GEO_ID','Employed_2011'],key_on='feature.id',

fill_color='YlOrRd',fill_opacity=0.7, line_opacity=0.3,

topojson='objects.us_counties_20m')#2011就业率分布图

map_1.create_map(path='map_1.html')

2011年失业率分布图

map_2 =folium.Map(location=[40, -99], zoom_start=4)

map_2.geo_json(geo_path=county_geo,data_out='data2.json', data=df,

columns=['GEO_ID','Unemployment_rate_2011'],

key_on='feature.id',

threshold_scale=[0, 5, 7, 9, 11,13],

fill_color='YlGnBu', line_opacity=0.3,

legend_name='Unemployment Rate2011 (%)',

topojson='objects.us_counties_20m')#2011失业率分布图

map_2.create_map(path='map_2.html')

2011年中等家庭收入分布图

map_3 =folium.Map(location=[40, -99], zoom_start=4)

map_3.geo_json(geo_path=county_geo,data_out='data3.json', data=df,

columns=['GEO_ID','Median_Household_Income_2011'],

key_on='feature.id',

fill_color='PuRd',line_opacity=0.3,

legend_name='Median Household Income2011 ($)',

topojson='objects.us_counties_20m')#2011中等家庭收入分布图

map_3.create_map(path='map_3.html')


编译者简介

回复“志愿者”,了解我们及如何加入我们

大数据文摘精彩文章:

回复【金融】 看【金融与商业】专栏历史期刊文章

回复【可视化】感受技术与艺术的完美结合

回复【安全】 关于泄密、黑客、攻防的新鲜案例

回复【算法】 既涨知识又有趣的人和事

回复【谷歌】 看其在大数据领域的举措

回复【院士】 看众多院士如何讲大数据

回复【隐私】 看看在大数据时代还有多少隐私

回复【医疗】 查看医疗领域文章6篇

回复【征信】 大数据征信专题四篇

回复【大国】 “大数据国家档案”之美国等12国

回复【体育】 大数据在网球、NBA等应用案例

回复【志愿者】了解如何加入大数据文摘

专注大数据,每日有分享

数据分析和可视化领域,Seaborn库凭借其优雅的设计理念和高效的绘图能力备受青睐。今天,我们将聚焦于Seaborn的一个重要组件——distplot,它是用于描绘单变量分布的强大工具,能够帮助我们更深入地洞察数据特征。本文将详细介绍如何在Python Web开发环境中使用Seaborn的distplot功能,并通过实际案例展现其在揭示数据分布特性上的价值。

Seaborn与distplot简介

Seaborn是一个基于matplotlib的数据可视化库,专门针对统计图形进行了优化,提供了高层次的接口,使复杂的数据可视化变得简单易行。distplot则是Seaborn中的一个重要函数,它可以绘制单变量的概率密度分布图,包括直方图、核密度估计曲线(KDE)、正态分布拟合线以及分位数点等元素。

distplot基本用法及参数解析

首先,我们引入必要的库,并通过一个简单的随机数据集来演示distplot的基本用法:

import seaborn as sns
import numpy as np
import matplotlib.pyplot as plt

# 创建一个随机数据集
data = np.random.normal(size=1000)

# 使用distplot绘制分布图
sns.distplot(data, bins=30, kde=True, rug=True)
plt.title("Distplot Example with KDE and Rug Plot")
plt.xlabel("Value")
plt.ylabel("Density")
plt.show()
  • sns.distplot(data):这是最基础的形式,直接传递待分析的数据系列。
  • bins参数指定了直方图的柱子数量,用于控制直方图的精细程度。
  • kde=True启用核密度估计,即在直方图上方绘制一条平滑曲线,反映数据的概率密度分布。
  • rug=True则会在X轴上显示“地毯状”标记,即每个观测值的小短线,直观展示数据点的位置分布。

distplot进阶应用

除了上述基本用法外,distplot还允许我们在同一图表中叠加多种分布情况,例如比较两组或多组数据:

data1 = np.random.normal(0, 1, size=500)
data2 = np.random.normal(2, 0.5, size=500)

sns.distplot(data1, hist_kws={"alpha": 0.5}, label="Data Set 1")
sns.distplot(data2, hist_kws={"alpha": 0.5}, label="Data Set 2")
plt.legend()
plt.title("Comparing Two Distributions using Distplot")
plt.show()
  • hist_kws参数允许我们传递额外的关键字参数给直方图,此处设置透明度alpha,便于观察两个分布的叠加效果。
  • label用于指定每组数据的标签,在绘制完成后使用plt.legend()显示图例。

distplot与DataFrame的整合

对于含有多个变量的DataFrame,distplot可以便捷地绘制多变量分布:

df = pd.DataFrame({
    'Column_A': np.random.randn(1000),
    'Column_B': np.random.gamma(2, size=1000),
    'Column_C': np.random.exponential(1, size=1000)
})

for column in df.columns:
    sns.distplot(df[column], hist=False, kde_kws={"shade": True}, label=column)
plt.legend(title="Columns in DataFrame")
plt.title("Distribution of Columns in a DataFrame")
plt.show()
  • 对于DataFrame中的每一列,我们禁用了直方图并启用了阴影KDE曲线,使得每种分布更加鲜明。

distplot在Python Web应用中的实践

在Web应用程序中,distplot可以被嵌入到网页中以动态展示数据分布。借助Flask框架和Jinja2模板,你可以创建一个REST API,从数据库获取数据并在前端页面上实时绘制分布图。这里仅给出大致流程:

from flask import Flask, render_template, jsonify
import seaborn as sns
import numpy as np
import pandas as pd

app = Flask(__name__)

# 假设有一个从数据库获取数据的方法
def fetch_data():
    # 返回模拟的数据集
    ...

@app.route('/api/data')
def data_api():
    data = fetch_data()
    return jsonify(data.tolist())

@app.route('/')
def index():
    return render_template('index.html')

if __name__ == '__main__':
    app.run(debug=True)

# 在index.html文件中,通过JavaScript库(如Bokeh或Plotly.js)接收JSON数据并使用前端可视化库绘制distplot风格的分布图

总结

distplot作为Seaborn的核心组件,以其强大的功能和灵活的配置,为我们深入剖析单变量数据分布提供了有力支持。在实际的Python Web开发项目中,结合后端数据处理能力和前端交互式可视化技术,distplot及其他Seaborn图表可以有效地提升用户体验,使复杂的统计信息更为直观、易于理解。