精华内容
下载资源
问答
  • 人口密度可视化 GeoVisualization /菲律宾。 (GeoVisualization /Philippines.) Population density is a crucial concept in urban planning. Theories on how it affects economic growth are divided. Some claim...

    人口密度可视化

    GeoVisualization /菲律宾。 (GeoVisualization /Philippines.)

    Population density is a crucial concept in urban planning. Theories on how it affects economic growth are divided. Some claim, as Rappaport does, that an economy is a form of “spatial equilibrium”: that net flows of residents and employment gradually move to be balanced with one another.

    人口密度是城市规划中的关键概念。 关于它如何影响经济增长的理论存在分歧。 就像拉帕波特所做的那样,有人声称经济是“空间均衡”的一种形式: 居民和就业的净流动逐渐走向相互平衡。

    The thought that density has some sort of relationship with economic growth has long been established by multiple studies. But whether the same theory holds for the Philippines and to what predates what (density follows urban development or urban development follows density) is a classic data science problem.

    关于密度与经济增长之间存在某种关系的观点早已由多项研究确立。 但是,对于菲律宾来说,是否适用相同的理论以及先于什么(密度跟随城市发展,密度跟随城市发展)是一个经典的数据科学问题。

    Before we can test out any models, however, let’s do a fun exercise and visualize our dataset.

    但是,在测试任何模型之前,让我们做一个有趣的练习并使数据集可视化。

    The 2015 Philippines’ Population Dataset

    2015年菲律宾的人口数据集

    The Philippine Statistic Authority publishes population data every five (5) years. At the time of the writing, only the 2015 Dataset is published so we will be using this.

    菲律宾统计局每五(5)年发布一次人口数据。 在撰写本文时,仅发布了2015年数据集,因此我们将使用它。

    Importing Packages

    导入包

    import pandas as pd
    import matplotlib.pyplot as plt
    import matplotlib.colors as colors #to customize our colormap for legendimport numpy as np
    import seaborn as sns; sns.set(style="ticks", color_codes=True)import geopandas as gpd
    import descartes #important for integrating Shapely Geometry with the Matplotlib Library
    import mapclassify #You will need this to implement a Choropleth
    import geoplot #You will need this to implement a Choropleth%matplotlib inline

    A lot of the packages we will be using needs to be installed. For those having trouble installing GeoPandas, check out my article about this. Note that geoplot requires cartopy package and can be installed as any dependencies discussed in my article.

    我们将要使用的许多软件包都需要安装。 对于那些在安装GeoPandas时遇到麻烦的人,请查看有关此的文章请注意,geoplot需要cartopy软件包,并且可以作为本文中讨论的任何依赖项进行安装。

    Loading Shapefiles

    加载Shapefile

    Shapefiles are needed to create “shape” to your geographical or political boundaries.

    需要Shapefile来为您的地理或政治边界创建“形状”。

    Download the shapefile and load it using GeoPandas.

    下载shapefile并使用GeoPandas加载它。

    An important note here when extracting the zip package: all the contents should be in one folder, even though you will simply be using the “.shp” file or else it won’t work. (this means that the “.cpg”, “.dbf”, “.prj” and so forth should be in the same location as your “.shp” file.

    解压缩zip包时的重要注意事项:所有内容都应放在一个文件夹中,即使您只是使用“ .shp”文件,否则它也将不起作用。 (这意味着“ .cpg”,“。dbf”,“。prj”等应与“ .shp”文件位于同一位置。

    You can download the shapefile of the Philippines in gadm.org (https://gadm.org/).

    您可以在gadm.org( https://gadm.org/ )中下载菲律宾的shapefile。

    Note: You can likewise download the shapefiles from: PhilGIS (http://philgis.org/). It will probably be better for Philippine data though some of it is sourced with GADM, but let’s go with GADM as I have more experience in it.

    注意:您也可以从以下位置下载shapefile:PhilGIS( http://philgis.org/ )。 尽管其中一些数据来自GADM,但对于菲律宾数据而言可能会更好一些,但是随着我对GADM的更多了解,让我们开始吧。

    #The level of adminsitrative boundaries are given by 0 to 3; the details and boundaries get more detailed as the level increasecountry = gpd.GeoDataFrame.from_file("Shapefiles/gadm36_PHL_shp/gadm36_PHL_0.shp")
    provinces = gpd.GeoDataFrame.from_file("Shapefiles/gadm36_PHL_shp/gadm36_PHL_1.shp")
    cities = gpd.GeoDataFrame.from_file("Shapefiles/gadm36_PHL_shp/gadm36_PHL_2.shp")
    barangay = gpd.GeoDataFrame.from_file("Shapefiles/gadm36_PHL_shp/gadm36_PHL_3.shp")

    At this point, you can view the shapefiles and examine the boundaries. You can do this by plotting the shapefiles.

    此时,您可以查看shapefile并检查边界。 您可以通过绘制shapefile来实现。

    #the GeoDataFrame of pandas has built-in plot which we can use to view the shapefilefig, axes = plt.subplots(2,2, figsize=(10,10));#Color here refers to the fill-color of the graph while 
    #edgecolor refers to the line colors (you can use words, hex values but not rgb and rgba)country.plot(ax=axes[0][0], color='white', edgecolor = '#2e3131');
    provinces.plot(ax=axes[0][1], color='white', edgecolor = '#2e3131');
    cities.plot(ax=axes[1][0], color='white', edgecolor = '#2e3131');
    barangay.plot(ax=axes[1][1], color='white', edgecolor = '#555555');#Adm means administrative boundaries level - others refer to this as "political boundaries"
    adm_lvl = ["Country Level", "Provincial Level", "City Level", "Barangay Level"]
    i = 0
    for ax in axes:
    for axx in ax:
    axx.set_title(adm_lvl[i])
    i = i+1
    axx.spines['top'].set_visible(False)
    axx.spines['right'].set_visible(False)
    axx.spines['bottom'].set_visible(False)
    axx.spines['left'].set_visible(False)
    Image for post
    Darker fills imply more boundaries
    较深的填充表示更多的边界

    Load Population Density Data

    负荷人口密度数据

    Population data and Density per SQ Kilometers are usually collected by the Philippine Statistics Authority (PSA).

    人口数据和每SQ公里的密度通常由菲律宾统计局(PSA)收集。

    You can do this with other demographics or macroeconomic data as the Philippines have been advancing on the provision of these. (Good Job Philippines!)

    您可以使用其他人口统计数据或宏观经济数据来做到这一点,因为菲律宾一直在提供这些数据。 (菲律宾好工作!)

    Because we want to amp up the challenge, let’s go with the most detailed one: the city and municipality level.

    因为我们要应对挑战,所以让我们来探讨最详细的挑战:城市和市政级别。

    We first load the data and examine it:

    我们首先加载数据并检查它:

    df = pd.read_excel(r'data\2015 Population Density.xlsx',
    header=1,
    skipfooter=25,
    usecols='A,B,D,E',
    names=["City", 'Population', "landArea_sqkms", "Density_sqkms"])

    Cleaning the Data

    清理数据

    Before we can proceed, we have to clean our data. We should:

    在继续之前,我们必须清除数据。 我们应该:

    • drop rows with empty values

      删除具有空值的行
    • remove non-alphabet characters after the names (* denoting footnotes)

      删除名称后的非字母字符(*表示脚注)
    • remove the words “(capital)” and “excluding” after each city name

      在每个城市名称后删除“(大写)”和“排除”
    • remove leading and trailing spaces

      删除前导和尾随空格
    • and many more….

      还有很多…。

    Cleaning really will take the bulk of the work when merging data with shapefiles.

    将数据与shapefile合并时,清理确实会占用大量工作。

    This is true for the Philippines, which have cities that are named similarly after one another. (e.g. San Isidro, San Juan, San Pedro, etc).

    对于菲律宾来说,这是正确的,因为菲律宾的城市彼此之间有着相似的名字。 (例如,圣伊西德罗,圣胡安,圣佩德罗等)。

    Let’s skip this part in the article but for those who would like to know how I did it, visit my Github repository. The code will apply to any PSA data on a municipality/city level.

    让我们跳过本文的这一部分,但是对于那些想知道我是如何做到的,请访问我的Github存储库 。 该代码将适用于市政/城市级别的任何PSA数据。

    Exploratory Data Analysis

    探索性数据分析

    One of my favorite way to implement EDA is through a scatter plot. Let’s do it just to see which cities have high densities in chart form.

    我最喜欢的实现EDA的方法之一是通过散点图。 让我们来看一下图表中哪些城市的人口密度高。

    Matplotlib is workable but I like the style of seaborn plots so I prefer to use it more often.

    Matplotlib是可行的,但是我喜欢海洋情节的风格,因此我更喜欢使用它。

    #First sort the dataframe according to Density from highest to lowest
    sorted_df = df.sort_values("Density_sqkms", ascending=False,ignore_index=True )[:50]fig, ax = plt.subplots(figsize=(10,15));
    scatter = sns.scatterplot(x=df.index, y=df.Density_sqkms)#Labeling the top 20 data (limiting so it won't get too cluttered)
    #First sort the dataframe according to Density from highest to lowest
    sorted_df = df.sort_values("Density_sqkms", ascending=False)[:20]#Since text annotations,overlap for something like this, let's import a library that adjusts this automatically
    from adjustText import adjust_texttexts = [ax.text(p[0], p[1],"{},{}".format(sorted_df.City.loc[p[0]], round(p[1])),
    size='large') for p in zip(sorted_df.index, sorted_df.Density_sqkms)];adjust_text(texts, arrowprops=dict(arrowstyle="->", color='r', lw=1), precision=0.01)
    Image for post
    Scatter plot of densities for Philippines’ Cities and Municipalities. You can visually see that there are cities that are outliers in terms of density. Note that I made use of the library adjust_texts to make sure that labels are legible.
    菲律宾城市的密度散点图。 您可以从视觉上看到在密度上有些城市是离群值。 请注意,我利用了adjust_texts库来确保标签清晰易读。

    With this chart, we can already see which cities are above the average of “Nationa Capital Region”, namely, Mandaluyong, Pasay, Caloocan, Navotas, Makati, Malabon, and Marikina.

    通过此图表,我们已经可以看到哪些城市位于“国家首都地区”的平均水平之上,即曼达卢永帕赛卡卢奥坎纳沃塔斯马卡蒂马拉本马利基纳

    Within the top 20 as well, we can see that most of these cities are located in the “National Capital Region” and nearby provinces such as Laguna. Notice as well how the city of Manila is an outlier for this dataset.

    同样在前20名中,我们可以看到这些城市中的大多数都位于“国家首都地区”和附近的省份,例如拉古纳。 还要注意,马尼拉市是该数据集的离群值。

    GeoPandas Visualization

    GeoPandas可视化

    The First Law of Geography, according to Waldo Tobler, is “everything is related to everything else, but near things are more related than distant things.”

    根据沃尔多· 托伯勒 (Waldo Tobler)的说法, “地理第一定律”是“所有事物都与其他事物相关,但近处的事物比远处的事物更相关”。

    This is why in real estate, it is important to examine and visualize, how proximity affects values. Ultimately, GeoVisualization is one of the ways we can do this.

    这就是为什么在房地产中,重要的是检查和可视化邻近性如何影响价值。 最终,GeoVisualization是我们执行此操作的方法之一。

    We can already visualize our data using the builtin plot method of GeoPandas.

    我们已经可以使用GeoPandas的内置绘图方法来可视化我们的数据。

    k = 1600 #I find that the more colors, the smoother the viz becomes as data points are spread across gradients
    cmap = 'Blues'
    figsize=(12,12)
    scheme= 'Quantiles'ax = merged_df.plot(column='Density_sqkms', cmap=cmap, figsize=figsize,
    scheme=scheme, k=k, legend=False)ax.spines['top'].set_visible(False)
    ax.spines['right'].set_visible(False)
    ax.spines['bottom'].set_visible(False)
    ax.spines['left'].set_visible(False)#Adding Colorbar for legibility
    # normalize color
    vmin, vmax, vcenter = merged_df.Density_sqkms.min(), merged_df.Density_sqkms.max(), merged_df.Density_sqkms.mean()
    divnorm = colors.TwoSlopeNorm (vmin=vmin, vcenter=vcenter, vmax=vmax)# create a normalized colorbar
    cbar = plt.cm.ScalarMappable(norm=divnorm, cmap=cmap)
    fig.colorbar(cbar, ax=ax)
    # plt.show()
    Image for post
    Visualization using the built-in plot method of GeoPandas
    使用GeoPandas的内置绘图方法进行可视化

    Some analysts prefer monotonic colormaps such as Blues or Greens, but when data is highly-skewed (having many outliers), I find it is better to use diverging colormaps.

    一些分析人员更喜欢单调的颜色图,例如蓝色或绿色,但是当数据高度偏斜(具有许多离群值)时,我发现使用分散的颜色图更好。

    Image for post
    Diverging Colormaps to Visualize Data Dispersion
    分散颜色图以可视化数据分散

    Using diverging colormaps, we can visualize the dispersion of density values. Even looking at the colorbar legend indicates how density values in the Philippines contain outliers on the high side.

    使用发散的颜色图,我们可以可视化密度值的分散。 即使查看色标图例,也表明菲律宾的密度值如何包含较高的离群值。

    Plotting using Geoplot

    使用Geoplot进行绘图

    In addition to the built-in plot function of GeoPandas, you can plot this using geoplot.

    除了GeoPandas的内置绘图功能外,您还可以使用geoplot对其进行绘图。

    k = 1600
    cmap = 'Greens'
    figsize=(12,12)
    scheme= 'Quantiles'geoplot.choropleth(
    merged_df, hue=merged_df.Density_sqkms, scheme=scheme,
    cmap=cmap, figsize=figsize
    )

    In the next series, let’s try to plot this more interactively or use some machine learning algorithms to extract more insights.

    在下一个系列中,让我们尝试以更具交互性的方式进行绘制,或者使用一些机器学习算法来提取更多的见解。

    For the full code, check out my Github repository.

    有关完整的代码,请查看我的Github存储库

    The code to preprocess data on the municipality and city level applies to other PSA reported statistics as well.

    预处理市政和城市级别数据的代码也适用于PSA报告的其他统计数据。

    Let me know what dataset you would like for us to try and visualize in the future.

    让我知道您希望我们将来尝试并可视化的数据集。

    翻译自: https://towardsdatascience.com/psvisualizing-the-philippines-population-density-using-geopandas-ab8190f52ed1

    人口密度可视化

    展开全文
  • 常州市人口密度.zip

    2020-07-31 09:55:00
    利用NPP夜间灯光和常州市各个街道的人口数据进行的常州市主城区人口密度反演,分辨率250米,力度较为精细。
  • 图为估计的2015年人口密度图,可以参考来对人口密度模型、通信密度模型进行仿真:

    图为估计的2015年人口密度图,可以参考来对人口密度模型、通信密度模型进行仿真:

    展开全文
  • 人口密度网格化比人口密度行政单元化更接近人口的实际分布。 而且是实现人口数据与其他社会经济统计数据$ 资源数据$ 环境数据复合
  • 北京人口密度分布、人口趋势分析

    千次阅读 2018-08-19 14:53:34
    北京市人口密度分布图,展示如下: 本文根据网上每年公开的北京常住人口和常住外来人口统计得到,并将会每年根据官方公布的数字持续更新)。 图一:北京常住人口趋势 图二:北京常住人口增长率 图三...

    北京市人口密度分布图,展示如下:

     

    本文根据网上每年公开的北京常住人口和常住外来人口统计得到,并将会每年根据官方公布的数字持续更新)。

    图一:北京常住人口趋势

     

    图二:北京常住人口增长率

     

    图三:北京常住外来人口占比

     

    图四:北京常住外来人口增长率

     

    展开全文
  • 全国人口密度数据2000至2020年度
  • Hosler_SimpleCalculator:简单人口密度计算器
  • 主要包括上海中心城区(静安区、长宁区、浦东新区外环内等)的人口密度,单位为万人/平方公里
  • ArcGIS实验教程——实验二十四:人口密度制图

    千次阅读 多人点赞 2020-11-06 18:02:42
    人口密度同资源、经济密切结合,因此,科学准确地分析人口密度的分布情况,对合理制定经济政策、资源配置具有重要意义。 二、实验目的 通过实验,掌握ArcGIS密度分析的原理及差异性,制作符合要求的密度图。 三、...

    一、实验分析

    人口密度是指单位土地面积上居住的人口数,通常以每平方千米或每公顷内的常住人口为单位计算。人口密度同资源、经济密切结合,因此,科学准确地分析人口密度的分布情况,对合理制定经济政策、资源配置具有重要意义。

    二、实验目的

    通过实验,掌握ArcGIS密度分析的原理及差异性,制作符合要求的密度图。

    三、实验数据

    1. 人口调查数据
    2. 道路数据

    四、操作步骤

    1. 点密度分析

    加载实验数据。
    在这里插入图片描述

    加载实验数据

    在工具箱中打开→空间分析→密度分析→点密度分析。

    在这里插入图片描述

    【点密度分析】对话框

    点密度结果:

    在这里插入图片描述

    点密度分析人口密度图

    1. 核密度分析

    在工具箱中打开→空间分析→密度分析→核密度分析。

    在这里插入图片描述

    【核密度分析】对话框

    核密度结果:

    在这里插入图片描述

    核密度分析人口密度图

    五、结果比对

    通过对比两种方法计算的结果,可以看出,在核密度分析中,距离样本点越近,像元密度越大;距离越远,像元密度越小。而在点密度分析中,每个样本点周围的像元密度是相同的。因此,在实际应用中,应该根据采样数据的特点,结合分析的目的,选取合适的方法。

    展开全文
  • echarts人口密度图全解

    2021-03-17 16:13:19
    echarts人口密度图全解(echarts地图各配置项,tooltip标注显示多行信息,geojson数据包,地图增加自定义区域) 前言 第一次做人口密度图,遇到了很多坑,也百度了很多资料。记录一下。防止下次再掉坑里。效果展示...
  • 2、需求二:绘制各个省、城市的人口密度条形图,依次递减排序。 (二)实现: 1、准备好数据 (1)省、城市的名称; (2)省、城市的人口; (3)省、城市的面积,用于计算人口密度。 2、建表、导入数据 ...
  • 1995—2005中国城市化与城市人口密度变化分析,侯战方,岳东霞,本文通过分析我国城市化进程及城市人口密度现状发现:我国城市化进程比较快,呈特大城市和大城市优先发展、城镇城市化加速发展的
  • PIE.中国人口密度

    2021-03-21 17:23:12
    //加载中国省界图 var china = pie.FeatureCollection("NGCC/...//加载中国人口密度图 var china_2020_pop = pie.ImageCollection('WorldPop/Global_1km_UNadj') .filterDate('2019-01-01','2020-01-01') .first()
  • 写在前面。这次做一个关于gis里密度分析相关的内容。...ArcGIS格网统计| 人口密度统计方法人口倒也简单,做完后我会用点数据再做一遍,效果更明显。所需数据:(1)济南市区级边界矢量数据(记得投影)(2)济南市2km×...
  • 目的:缺乏针对按人口密度有效使用避孕药具的研究。 我们假设避孕咨询和有效避孕方法因人口密度而异。 研究设计:这是一项横断面研究,使用2006-2010年全国家庭成长调查数据,包括15至19岁的女性受试者。主要暴露...
  • 从远古智人到当代网络居民,单位面积上人口密度越来越大,到了网络时代,我们通过光纤和无线将所有人都网络其中。当一个地方的人口密度只有2人/平方千米时,这两个人可能要一个多月才有机会照面一次;可是,当这里...
  • 人口密度检测

    千次阅读 2020-10-02 21:41:29
    ·低密度人群代码说明中文文档及补充说明 ·代码列表 ·代码使用说明 这套代码的使用只针对低密度的人群密度,即人群密度的统计的满足能够分辨单个的人,即视频中不存在多个人叠加的情况。 代码MATLAB2007b...
  • 北京市人口密度数据—精确到平方千米,来自美国橡树岭实验室
  • 1.LandScan人口密度数据集LandScan 全球人口动态统计分析数据库由美国能源部橡树岭国家实验室(ORNL)开发,East View Cartographic提供。LandScan运用GIS和遥感等创新方法,是全球人口数据发布的社会标准,是全球最为...
  • 各人口大国的人口密度排名以下是世界人口超过5000万的23个国家的人口密度排名,各国的人口数量根据2006年联合国的统计数据(部分国家取2005年的统计数据) 1.孟加拉国--人口--14737万--面积---14.40万Km2--人口密度-...
  • 实验27 中国人口密度图的制作 实验目的 了解专题地图的组成要素 掌握专题电子地图的制作方法 实验内容 制作中国人口密度电子地图 实验原理 专题地图突出反映一种或几种主体要素或现象 专题地图由图形要素...
  • 题为我想要精准的找出人口密度的数据 目前有2010年的第6次人口普查的资料,目前是到县级 并且可能2010有点久 需求 1、有没有最近2年内福建省的数据 2、除了县级,有更下层的资料吗。比如小到街道之类的土地面积...
  • 将POI的类别抽象为文档中的词划分的区域 抽象为 文档则可利用TFIDF的值 计算 与 人口密度的协方差 ,计算出二者的相关性,相关系数越大,则该类别对人口的影响越大 ,后续则可利用得出的结论 研究分析更多的问题。...
  • 城市与区域研究首要的就是分析城市与区域的空间结构,尤其是人口密度分布特征。如果把城市或区域作为一个经济系统来看,其供给方(劳动力)和需求方(消费者)都和人口挂钩,人口分布反映了经济活动的态势。考察一定...
  • 近几年,由WorldPop发布的世界人口密度地图,是目前精度最高、最可靠的长时间序列数据,因此被许多组织引用研究。 该网站提供两种人口密度数据集,分别是Top-Down、Bottom-Up,Top-Down简而言之就是通过各国家地区...
  • 这次我们介绍人口密度计算的案例 在案例之前会有spark的scala统计点击流日志代码小案例。 1. 击流日志分析案例 1.1需求 下面的系列数据主要包括用户IP,浏览网址,时间,请求方式等,统计PV,UV,和被访问的Top...
  • 经常听到一个观点是中国的城市人口密度比欧美国家高得多。实际上是怎样的呢?我最近在网上看到一个叫做“knightzwviking的BLOG”的博客(http://blog.sina.com.cn/s/articlelist_1346012855_0_1.html),里面详细...
  • 绘制某县人口密度

    2013-01-18 11:00:53
    利用GIS软件绘制的图, 有详细的步骤
  • 来源:Worldpop

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 551
精华内容 220
关键字:

人口密度