Python在地理信息系统和空间数据分析中的应用

1. 地理空间数据处理基础

1.1 核心库介绍

Python的地理空间分析主要依赖于以下核心库：

# 导入地理空间数据处理所需的核心库
import geopandas as gpd      # 处理空间数据的DataFrame
import folium                # 交互式地图可视化
import rasterio              # 栅格数据处理
import shapely               # 几何对象操作
import osmnx as ox           # 下载开放街道地图数据

1.2 空间数据类型与结构

理解地理空间数据需要掌握两种基本数据类型：矢量数据和栅格数据。这里以矢量数据为例：

from shapely.geometry import Point, Polygon, LineString

# 创建矢量数据示例
point = Point(116.3974, 39.9093)  # 北京天安门坐标
polygon = Polygon([(0, 0), (1, 0), (1, 1), (0, 1)])  # 矩形区域
line = LineString([(0, 0), (1, 1), (2, 2)])  # 线路径

# 计算空间关系
print(point.within(polygon))  # 判断点是否在多边形内
print(line.intersects(polygon))  # 判断线与多边形是否相交

2. 实战：构建智能城市交通分析系统

2.1 获取和处理城市路网数据

import osmnx as ox
import networkx as nx

class UrbanTransportAnalyzer:
    def __init__(self, city_name):
        self.city_name = city_name
        self.street_network = None
        
    def fetch_street_data(self):
        """下载并处理城市街道网络数据"""
        try:
            # 获取城市边界
            city_boundary = ox.geocode_to_gdf(self.city_name)
            
            # 下载路网数据
            self.street_network = ox.graph_from_place(
                self.city_name, 
                network_type='drive',  # 驾驶网络
                simplify=True
            )
            
            # 转换为GeoDataFrame
            nodes, edges = ox.graph_to_gdfs(self.street_network)
            return nodes, edges
            
        except Exception as e:
            print(f"数据下载失败: {e}")
            return None, None

# 使用示例
analyzer = UrbanTransportAnalyzer("北京市,中国")
nodes, edges = analyzer.fetch_street_data()

2.2 路径优化与可达性分析

import pandas as pd
from sklearn.cluster import DBSCAN
import numpy as np

def analyze_reachability(graph, key_locations):
    """分析关键地点的可达性"""
    
    # 计算节点中心性
    centrality = nx.closeness_centrality(graph)
    
    # 转换为DataFrame
    centrality_df = pd.DataFrame.from_dict(
        centrality, 
        orient='index', 
        columns=['centrality']
    )
    
    # 可达性分析
    reachability_analysis = {}
    for location_name, location_coords in key_locations.items():
        # 找到最近的节点
        nearest_node = ox.distance.nearest_nodes(
            graph, 
            location_coords[0], 
            location_coords[1]
        )
        
        # 计算该节点的中心性
        reachability_analysis[location_name] = centrality_df.loc[nearest_node, 'centrality']
    
    return reachability_analysis