Aragtida Geodata waa qalab awood leh oo noo ogolaanaya inaan fahamno qaababka adag iyo xiriirka ka dhexeeya juqraafiga iyo xogta kale. Waxay ka caawisaa samaynta go'aamo xog ogaal ah iyo u soo bandhigida xogta hab la heli karo oo soo jiidasho leh. Maqaalkan, waxaan ku daah-furi doonaa sida muuqaalaynta geodata lagu gaari karo iyadoo la adeegsanayo Python, mid ka mid ah luqadaha barnaamijyada ugu badan ee la heli karo maanta. Waxaan sahamin doonaa maktabado kala duwan, shaqooyin, iyo farsamooyin loo isticmaalo xallinta mashaakilaadka guud ee aaggan, anagoo hubinayna inaad leedahay aasaas adag oo aad ku dhisato.
Soo bandhigida Geodata Visualization ee Python
Python waxay bixisaa dhawr maktabadood oo si gaar ah loogu talagalay muuqaalaynta juqraafiyeed. Qaar ka mid ah kuwa ugu caansan waxaa ka mid ah GeoPandas, folium, Iyo Shirqool. Maktabado kastaa waxa ay u adeegtaa ujeedadeeda gaarka ah, iyada oo bixisa hawlqabadyo loo isticmaali karo in lagu abuuro maabyo, jaantusyo, iyo muuqaallo la xidhiidha xog-joojin. Horumariye ahaan iyo khabiirka Python ahaan, waa lagama maarmaan in la fahmo maktabadahan, sifooyinkooda, iyo xaddidaaddooda si loo abuuro muuqaallo xog-ogaalnimo oo hufan oo saaxiibtinimo leh.
- GeoPandas waa maktabad laga dul dhisay Pandas, si cadna loogu talagalay in lagu maamulo xogta juqraafiga. Waxay akhrin kartaa oo qori kartaa qaabab kala duwan oo xog ah, waxay qabataa hawlgallada juqraafiyeed, waxayna si fudud ula dhexgeli kartaa maktabadaha kale ee Python sida Matplotlib si loo eego xogta.
- folium waa maktabad soo saarta maab is-dhexgal ah iyadoo la isticmaalayo buug-yaraha JavaScript-ka ee maktabadda, oo ku habboon khariidadaha choropleth is-dhexgalka iyo kulaylka. Waxay bixisaa interface fudud oo lagu abuurayo maab leh lakabyo kala duwan (calaamadaha, popups, iwm.), taasoo ka dhigaysa doorasho ku habboon khubarada aan khubarada ahayn ee raba inay abuuraan maab adag.
- Shirqool waa maktabad awood badan oo wax ku ool ah abuurista garaafyo, jaantusyo, iyo maabyo is dhexgal iyo daabacaad u diyaarsan. Plotly Express waa is dhexgal heer sare ah oo si dhakhso leh loogu abuurayo muuqaalladan, halka inta badan ee 'graph_objects` API ay u oggolaanayso in la habeeyo tafaasiil kasta oo muuqaal-ururinta ah.
Xalka Dhibaatada: Sawirka Geodata Isticmaalka Python
Aynu tixgelinno dhacdo caadi ah oo aan rabno in aan ku sawirno qaybinta cufnaanta dadweynaha ee waddamo kala duwan. Waxaanu isticmaali doonaa xog-ururin ka kooban xuduudaha juqraafi ahaan qaabka GeoJSON iyo cufnaanta dadweynaha ee qaabka CSV. Marka hore, waxaan u baahannahay inaan akhrino, farsameyno, oo aan isku darno xogtan. Kadib, waxaanu samayn doonaa khariidad choropleth si aan u aragno cufnaanta leh miisaanka midabka ku habboon.
1. Akhri oo Hagaajinta Xogta
Waxaan ku bilaabaynaa akhrinta xogta anagoo adeegsanayna GeoPandas xogta juqraafiyeed iyo Pandas cufnaanta dadweynaha. Kadib, waxaanu isku dari doonaa labadan xog-frame ee ku salaysan furaha guud (tusaale, code dalka).
import geopandas as gpd
import pandas as pd
# Read the GeoJSON file
world_map = gpd.read_file("world_map.geojson")
# Read the CSV file with population densities
density_data = pd.read_csv("population_density.csv")
# Merge the dataframes based on the common key (country code)
merged_data = world_map.merge(density_data, on="country_code")
2. Samee Khariidadda Choropleth
Isticmaalka GeoPandas iyo Matplotlib, waxaan samayn karnaa khariidad choropleth si aan u muujino cufnaanta dadweynaha ee leh miisaan midab leh.
import matplotlib.pyplot as plt # Create a choropleth map using population density data fig, ax = plt.subplots(1, figsize=(10, 6)) merged_data.plot(column="population_density", cmap="Blues", linewidth=0.8, ax=ax) plt.show()
Sharaxaada tallaabo-tallaabo ee Xeerka Python
Hadda oo aan helnay xalkeena, aan u marno koodka tallaabo tallaabo si aan u fahamno qayb kasta. Waxaan ku bilaabaynaa soo dejinta maktabadaha lagama maarmaanka ah:
import geopandas as gpd import pandas as pd import matplotlib.pyplot as plt
Marka xigta, waxaanu akhrinay faylka GeoJSON anagoo adeegsanayna GeoPandas iyo faylka CSV anagoo adeegsanayna Pandas.
world_map = gpd.read_file("world_map.geojson")
density_data = pd.read_csv("population_density.csv")
Ka dib, waxaanu ku milmay xogta qaab-dhismeedka furaha guud, kiiskan, lambarka waddanka.
merged_data = world_map.merge(density_data, on="country_code")
Ugu dambeyntii, waxaan abuurnaa khariidad choropleth annagoo adeegsanayna GeoPandas iyo Matplotlib, anagoo qeexnayna tiirka si loo sawiro (cufnaanta dadweynaha) iyo khariidadda midabka (Blues).
fig, ax = plt.subplots(1, figsize=(10, 6)) merged_data.plot(column="population_density", cmap="Blues", linewidth=0.8, ax=ax) plt.show()
Tani waxay soo gabagabaynaysaa sahamintayada muuqaalaynta geodata ee Python. Waxaan ka wada hadalnay maktabado kala duwan, sida GeoPandas, folium, Iyo Shirqool, iyo hawlahooda abuurista muuqaallo xog-ururin awood leh oo is-dhexgal leh. Aqoontan, waa inaad hadda si fiican ugu qalabaysan tahay inaad wax ka qabato hawlaha sawir-ururinta geodata oo adag oo aad horumariso xalal waxtar leh.
