ArcGIS Desktop 自带有大量的工具，可以执行各种各样的地理处理任务。通过 Python 我们可以灵活地调用这些工具，把工具组织成自己的工作流，甚至创建一些新的工具。今天就说说在 ArcGIS 中创建 python工具这个话题。

在 ArcGIS 中我们可以通过两种方式来创建python工具：

一种是在标准工具箱下创建 脚本工具:

一种是创建 脚本工具箱：

到这里，可能你会有和我一样的疑问，二者有什么 区别？

第一种脚本工具需要我们首先在 ArcGIS 环境中创建一个工具箱，然后添加 Python脚本文件（*.py），并通过向导来精确配置参数。这种工具很适合脚本工具的初学者，通过前面说的三步就可以搭建出一个自定义工具。但是这种模式也有一些缺点，工具箱和源脚本是分离的，我们很难集中的去管理和维护它们。

相比于前者的难以集中管理的缺点，第二种的Python工具箱就体现出了它的优势。在 Python 工具箱中，参数定义、代码验证和源代码都在同一位置进行处理，因此Python 工具的创建和维护更加容易。此外，Python 工具箱支持脚本工具不支持的功能，例如值表、复合数据类型和自定义许可检查。

Python 工具箱是在 ArcGIS 10.1 之后的版本出现的。如果你熟悉 Python，就可以充分利用所掌握的 Python 技能来创建 Python 工具箱。

下面是一些更加具体的对比列表：

	自定义工具箱	Python 工具箱
组织	自定义工具箱中的脚本工具被组织成以下三个部分： 通过向导定义的工具和参数定义。 对参数行为提供额外控制的可选验证代码，其位于工具箱中。 在单独的文件中为每个工具维护的源代码，通常作为 Python 脚本 (.py)。	Python 工具箱是一个具有 .pyt 扩展名的 Python 脚本，其包含工具箱及其工具的所有方面：参数、验证和执行。通过以下 Python 类实现：一个类用于工具箱，一个类用于各工具。
编辑	可在任何编辑器中编辑源代码。 通过脚本工具向导编辑参数。 如果使用了验证代码，可在编辑器中通过向导编辑验证代码。	可在任何编辑器中编辑 Python 工具箱文件 (.pyt)，而且可在同一位置编辑工具的所有部分（参数定义、验证代码和源代码）。 由于只能在编辑器中编辑 Python 工具箱，它们不支持在工具箱内或工具箱之间进行复制/粘贴。
使用其他工具	自定义工具箱支持各种工具类型，包括 Python 脚本工具、模型工具和内置工具（使用 ArcObjects 和 .NET 等编译型语言构建）。	Python 工具箱不直接支持其他工具类型；即，无法将模型工具或内置工具添加到 Python 工具箱中。但是，可在 Python 工具箱代码中调用其他工具箱的工具。
附加功能	n/a	Python 工具箱支持 isLicensed 方法，您可以根据设定的条件来控制工具的打开。
附加安全性	自定义工具箱中的脚本工具可以将其源代码嵌入工具箱中并使用密码锁定。	n/a

ArcGIS Help 中脚本工具的帮助过于枯燥，在这里，我以一个具体的实例来总结构建脚本工具的过程，我要实现的需求是做个快速实现羽化边界效果的小工具，预期得到如下的效果：

上面效果在ArcMap中完全可以手工运行几个工具实现，但是过程稍微繁琐，那么需求来了，如何做个自定的一键生成羽化边界的小工具？

1 准备Python脚本文件

第一步，先写好脚本工具的核心 —— python脚本文件。

脚本中我希望根据指定环间距自动生成一个9环的缓冲面，然后添加一个字段，用于存储给各个缓冲面的透明度百分比。

看下图就知道我想做什么了：

写一个py文件，将要用到的工具串联起来实现自己的需求，大致是下面的样子。这不是最终要做成脚本工具的版本，只是为了预先了解要如何实现，后面还要修改。

__author__ = 'kikita'

# FileName: EasyFeathering.py

import arcpy
# arcpy.env.workspace = "D:\something\Data.gdb"

# Script Tool Parameters
InputFeature = "InterestArea"
OutputFeature = "OutFeathering"
SingleRingWidth = 10000

# Some Predefined Parameters
distances = []
level = 9
bufferUnit = "meters"
NewField = "Percent"


# My Easy Feathering function
for i in range(level):
    distances.append(SingleRingWidth*(i+1))
    i = i+1

print  str(distances)
print  "Distance Complete!"

arcpy.MultipleRingBuffer_analysis(InputFeature, OutputFeature, distances, bufferUnit, "", "ALL","OUTSIDE_ONLY")
print  "Success to execute Multi Ring Buffer."

arcpy.AddField_management(OutputFeature,NewField,"double")
print "Success to add Transparency Percent Field."

arcpy.CalculateField_management(OutputFeature, NewField, "!OBJECTID! *10", "PYTHON", "")
print "Success to Calculate Transparency Percent Field."
 
1
17

2 脚本工具参数配置

有了py文件之后，如何把它塞进工具箱里呢？

在ArcMap的Catalog窗口中，找一个自己喜欢的任意文件夹，新建一个Toolbox，然后右键 Add –> Script，进入向导，这些操作如果不了解，可以点这里 查查帮助，照着做即可，不赘述。

这里我主要说说参数传递。

我希望做好的工具中，我只去指定三个参数，分别是：输入的兴趣区域面（input Feature ），多环缓冲的环间距（Single Ring width ），输出结果（output Feature ）。预览下工具界面：

那么问题又来了，这三个参数如何从工具界面传给真正执行工具的 python 脚本？我们需要对前面的脚本参数定义部分做个修改，使用 arcpy 提供的 GetParameterAsText()函数即可在工具界面和脚本之间传递参数。用下面的代码替换前面对这三个参数的替换：

# Script Tool Parameters
InputFeature = arcpy.GetParameterAsText(0)
SingleRingWidth = arcpy.GetParameterAsText(1)
OutputFeature = arcpy.GetParameterAsText(2)

对应的脚本工具参数配置：

为工具配置参数的时候，有2个原则需要遵守：

• 工具对话框中的参数顺序必须与脚本中的参数顺序一致。
• 每个脚本工具参数都有关联的数据类型。ArcGIS的地理处理不会将值发送给数据类型不正确的脚本，从这点上看，脚本工具比下一篇要说到的脚本工具箱多了一个优势，就是，在参数值发送给脚本之前会有数据类型检验。

修改Python脚本文件后，现在就运行工具，发现可以得到预期的结果：

但是有点不完美，就是在工具的运行过程中，工具给我返回的信息并不充足，我只知道 “Running Script EasyFeathering …”，而不了解工具在做什么，执行到了哪个步骤。这不是好的体验。

3 消息

工具和用户之间的所有沟通均通过消息来实现。接着上一步提出的问题，如何在工具进度窗口中传递消息给用户？

虽然在开始调试脚本的时候，如开头代码所示，我加了些 Print 语句，方便我了解自己的脚本独立执行时的状态，但是如果运行脚本工具，这些print语句是看不到的。可以使用 ArcPy中提供的有关消息的函数，AddMessage、AddWarning、AddError等向工具进度条界面发送消息。这里我做了个简单的步骤的消息性提示，以及，如果结果没有记录输出，会提示警告。

__author__ = 'kikita'

# FileName: EasyFeathering.py

import arcpy

#arcpy.env.workspace = "D:\IncidentSupport2015\something\Data.gdb"

# Get the input values from tool UI
InputFeature = arcpy.GetParameterAsText(0)
SingleRingWidth = arcpy.GetParameterAsText(1)
OutputFeature = arcpy.GetParameterAsText(2)


# Some Predefined Parameters
distances = []
level = 9
bufferUnit = "meters"
NewField = "Percent"


# My Easy Feathering function
for i in range(level):
    distances.append(int(SingleRingWidth)*(i+1))
    i = i+1
arcpy.AddMessage("Step1 Distance list Complete!")


arcpy.MultipleRingBuffer_analysis(InputFeature, OutputFeature, distances, bufferUnit, "", "ALL","OUTSIDE_ONLY")
arcpy.AddMessage("Step2 Success to execute Multi Ring Buffer.")

arcpy.AddField_management(OutputFeature,NewField,"double")
arcpy.AddMessage("Step3 Success to add Transparency Percent Field.")

arcpy.CalculateField_management(OutputFeature, NewField, "!OBJECTID! *10", "PYTHON", "")

InputFeatureCount = int(arcpy.GetCount_management(OutputFeature).getOutput(0))
if InputFeatureCount == 0:
    arcpy.AddWarning("{0} has no features.".format(OutputFeature))
else:
    arcpy.AddMessage("Step4 Success to Calculate Transparency Percent Field.")

 
2

这样在工具的执行过程中，我就收到了消息：

到这里，工具的功能部分就完成了。

4 显示结果图层

我进一步希望脚本工具运行之后，自动显示在当前的地图文档中，从而避免重复设置透明度的操作。

1. 为输出参数配置模板图层。

1. 在处理设置中，激活设置

这样在运行工具之后，结果即自动添加显示。

5 配置路径

如果是在本机使用脚本工具，一般我们会使用绝对路径，但是如果希望分享自己的工具给别人，就要考虑路径问题，也就是新用户运行脚本工具时，相关的脚本文件和其他用到的资源能否访问到。我的工具按照如下的结构组织：

在脚本工具的属性中，可以配置存储相对路径引用 py 文件：

PS：但是不要想太多，这个设置仅仅会将脚本文件所在位置按照相对路径存储，而不会将脚本内部的路径进行转换。

这个示例中我还需要用到一个图层文件作为模板，如果希望使用相对路径使用，就建议将符号化信息写在脚本内部，而不是在参数窗口中配置。所以，要继续修改下Python脚本文件。

在脚本文件的最后追加两行代码，我这里将获取与Python脚本文件在相同目录下的lyr文件：

# Layer files are located in same folder as the .py file
PythonFilePath = os.path.dirname(__file__)
params = arcpy.GetParameterInfo()
params[2].symbology = os.path.join(PythonFilePath, "FeatheringEffectTemplate.lyr")

# Pass message 
arcpy.AddMessage("Finding Feathering Effect Template Layer ..." +"/n"+ os.path.join(PythonFilePath, "FeatheringEffectTemplate.lyr"))

OK，路径的问题就解决了。

6 帮助文档

还可以进一步为工具添加帮助文档，让更多的人了解如何使用这个工具。

在ArcCatalog 或者ArcMap的Catalog 中，在脚本工具上右键，点击 Item Description 菜单，点击 Edit 就可以对工具的帮助文档进行编辑。

这样当别人打开你的工具时，就看到帮助喽。

好啦，关于ArcGIS 中使用脚本工具的过程就说到这里。

欢迎关注我，专注Python、数据分析、数据挖掘、实用工具！

时间序列问题是数据科学中最难解决的问题之一。传统的处理方法如 ARIMA、SARIMA 等，虽然是很好，但在处理具有非线性特性或非平稳时间序列问题时很难取得满意的预测效果。

为了获得更好的预测效果，并且可以简单高效的完成任务，本文中我将分享给大家7个用于处理时间序列问题的 Python 工具包，有所收获，点赞支持，欢迎收藏学习。

1、tsfresh

tsfresh 是一个很棒的 python 包，它可以自动计算大量的时间序列特性，包含许多特征提取方法和强大的特征选择算法。

让我们以获取航空公司乘客的标准数据集为例，来了解tsfresh

# Importing libraries
import pandas as pd
from tsfresh import extract_features, extract_relevant_features, select_features
from tsfresh.utilities.dataframe_functions import impute, make_forecasting_frame
from tsfresh.feature_extraction import ComprehensiveFCParameters, settings

# Reading the data
data = pd.read_csv('../input/air-passengers/AirPassengers.csv')

# Some preprocessing for time component:
data.columns = ['month','Passengers']
data['month'] = pd.to_datetime(data['month'],infer_datetime_format=True,format='%y%m')
data.index = data.month
df_air = data.drop(['month'], axis = 1)

# Use Forecasting frame from tsfresh for rolling forecast training
df_shift, y_air = make_forecasting_frame(df_air["Passengers"], kind="Passengers", max_timeshift=12, rolling_direction=1)
print(df_shift)

数据需要被格式化为如下格式：

# Getting Comprehensive Features
extraction_settings = ComprehensiveFCParameters()
X = extract_features(df_shift, column_id="id", column_sort="time", column_value="value", impute_function=impute,show_warnings=False,default_fc_parameters=extraction_settings)

从上面的输出中，我们可以看到大约创建了800个特征。tsfresh还有助于基于p值的特征选择。更多详细信息可以查看Github:https://github.com/blue-yonder/tsfresh
官方文档 https://tsfresh.readthedocs.io/en/latest/index.html

2、autots

AutoTS 是一个自动化的时间序列预测库，可以使用简单的代码训练多个时间序列模型，此库的一些最佳功能包括：

• 利用遗传规划优化方法寻找最优时间序列预测模型。
• 提供置信区间预测值的下限和上限。
• 它训练各种各样的模型，如统计的，机器学习以及深度学习模型
• 它还可以执行最佳模型的自动集成
• 它还可以通过学习最优NaN插补和异常值去除来处理混乱的数据
• 它可以运行单变量和多变量时间序列

让我们以苹果股票数据集为例，更详细地了解一下：

# Loading the package
from autots import AutoTS
import matplotlib.pyplot as plt
import pandas as pd

# Reading the data
df = pd.read_csv('../input/apple-aapl-historical-stock-data/HistoricalQuotes.csv')

# Doing some preprocessing
def remove_dollar(x):
    return x[2:]
df[' Close/Last'] = df[' Close/Last'].apply(remove_dollar)
df[' Close/Last']  = df[' Close/Last'].astype(float)
df['Date'] = pd.to_datetime(df['Date'])

# Plot to see the data:
df = df[["Date", " Close/Last"]]
df["Date"] = pd.to_datetime(df.Date)
temp_df = df.set_index('Date')
temp_df[" Close/Last"].plot(figsize=(12, 8), title="Apple Stock Prices", fontsize=20, label="Close Price")
plt.legend()
plt.grid()
plt.show()

model = AutoTS(forecast_length=40, frequency='infer', ensemble='simple', drop_data_older_than_periods=100)
model = model.fit(df, date_col='Date', value_col=' Close/Last', id_col=None)

这将运行数百个模型。你将在输出窗格中看到运行的各种模型。让我们看看模型如何预测：

prediction = model.predict()
forecast = prediction.forecast
print("Stock Price Prediction of Apple")
print(forecast)

temp_df[' Close/Last'].plot(figsize=(15,8), title= 'AAPL Stock Price', fontsize=18, label='Train')
forecast[' Close/Last'].plot(figsize=(15,8), title= 'AAPL Stock Price', fontsize=18, label='Test')
plt.legend()
plt.grid()
plt.show()

更多详细信息可以查看Github: https://github.com/winedarksea/AutoTS
官网文档: https://winedarksea.github.io/AutoTS/build/html/source/tutorial.html

3、Prophet

Prophet是Facebook研究团队开发的知名时间序列软件包，于2017年首次发布，适用于具有强烈季节性影响的数据和多个季节的历史数据。它具有高度的用户友好性和可定制性，只需进行最少的设置。

让我们看一个简单的例子：

# Loading the library
import pandas as pd
import matplotlib.pyplot as plt
from fbprophet import Prophet


# Loading the data from the repo:
df = pd.read_csv("https://raw.githubusercontent.com/facebook/prophet/master/examples/example_wp_log_peyton_manning.csv")

# Fitting the model
model = Prophet() 
model.fit(df) #fit the  model.

# Predict
future = model.make_future_dataframe(periods=730) # predicting for ~ 2 years
forecast = model.predict(future) # Predict future

# Plot results
fig1 = model.plot(forecast) # Plot the fit to past data and future forcast.
fig2 = model.plot_components(forecast) # Plot breakdown of components.
plt.show()
forecast # Displaying various results in table format.

趋势图和季节性图如下所示：

我们还可以看到预测以及所有的置信区间

更多详细信息可以查看Github: https://github.com/facebook/prophet
文档: https://facebook.github.io/prophet/

4、darts:

Darts 是另一个 Python 包，它有助于时间序列的操作和预测。语法是“sklearn-friendly”，使用fit和predict函数来实现目标。此外，它还包含了从 ARIMA 到神经网络的各种模型。

该软件包最好的部分是它不仅支持单变量，而且还支持多变量时间序列和模型。该库还可以方便地对模型进行回溯测试，并将多个模型的预测和外部回归组合起来。让我们举一个简单的例子来了解它的工作原理：

#Loading the package
from darts import TimeSeries
from darts.models import ExponentialSmoothing
import matplotlib.pyplot as plt

# Reading the data
data = pd.read_csv('../input/air-passengers/AirPassengers.csv')
series = TimeSeries.from_dataframe(data, 'Month', '#Passengers')
print(series)

# Splitting the series in train and validation set
train, val = series.split_before(pd.Timestamp('19580101'))

# Applying a simple Exponential Smoothing model
model = ExponentialSmoothing()
model.fit(train)

# Getting and plotting the predictions
prediction = model.predict(len(val))series.plot(label='actual')
prediction.plot(label='forecast', lw=3)
plt.legend()

更多详细信息可以查看Github: https://github.com/unit8co/darts
文档: https://unit8co.github.io/darts/README.html

5、AtsPy

AtsPy 代表Python 中的自动时间序列模型。该库的目标是预测单变量时间序列。你可以加载数据并指定要运行的模型，如下例所示：

# Importing packages
import pandas as pd
from atspy import AutomatedModel

# Reading the data:
data = pd.read_csv('../input/air-passengers/AirPassengers.csv')

# Preprocessing data 
data.columns = ['month','Passengers']
data['month'] = pd.to_datetime(data['month'],infer_datetime_format=True,format='%y%m')
data.index = data.month
df_air = data.drop(['month'], axis = 1)

# Select the models you want to run:
models = ['ARIMA','Prophet']
run_models = AutomatedModel(df = df_air, model_list=models, forecast_len=10)

该软件包提供了一组完全自动化的不同模型。以下是可用型号的截图：

Github: https://github.com/firmai/atspy

6、kats:

Kats 是 Facebook 研究团队最近开发的另一个专门处理时间序列数据的库。该框架的目标是为解决时间序列问题提供一个完整的解决方案。使用此库，我们可以执行以下操作：

• 时间序列分析
• 模式检测，包括季节性、异常值、趋势变化
• 产生65个特征的特征工程模块
• 对时间序列数据建立预测模型，包括Prophet、ARIMA、Holt Winters等。

它刚刚发布了第一个版本。一些教程可以在这里找到
https://github.com/facebookresearch/Kats/tree/master/tutorials

7、sktime：

Sktime 库是一个统一的 python 库，它适用于时间序列数据，并且与 scikit-learn 兼容。它有时间序列预测、回归和分类模型,开发的主要目标是与 scikit-learn 进行互操作。

举个预测例子来介绍 sktime 的使用方法

from sktime.datasets import load_airline
from sktime.forecasting.base import ForecastingHorizon
from sktime.forecasting.model_selection import temporal_train_test_split
from sktime.forecasting.theta import ThetaForecaster
from sktime.performance_metrics.forecasting import mean_absolute_percentage_error

y = load_airline()
y_train, y_test = temporal_train_test_split(y)
fh = ForecastingHorizon(y_test.index, is_relative=False)
forecaster = ThetaForecaster(sp=12)  # monthly seasonal periodicity
forecaster.fit(y_train)
y_pred = forecaster.predict(fh)
mean_absolute_percentage_error(y_test, y_pred)
>>> 0.08661467738190656

Github:https://github.com/alan-turing-institute/sktime

技术交流

欢迎转载、收藏、有所收获点赞支持一下！

目前开通了技术交流群，群友超过2000人，添加方式如下：

如下方式均可，添加时最好方式为：来源+兴趣方向，方便找到志同道合的朋友

• 方式一、发送如下图片至微信，进行长按识别，回复加群；
• 方式二、直接添加小助手微信号：pythoner666，备注：来自CSDN
• 方式三、微信搜索公众号：Python学习与数据挖掘，后台回复：加群

首先申明一下本人的电脑是win10系统，安装的是visual studio 2017社区版（vs社区版都是免费使用的，可以在官网下载），大学学习的是计算机专业平时都是用visual studio编写一些简单的c++代码，所以在之前也是不知道visual studio可以编写python代码，下面这个方法也是参考网上的教程自己一步步安装的

1、首先在菜单里面找到visual studio installer这个图标然后打开，可能会提示你visual studio installer需要更新，点击确定就好

2、第一次打开之后是这个样子，然后找到（修改），我是先点击更新然后暂停后才出现修改这个选项

3、勾选python开发，右边的小选项勾选前三个一般就可以，只可惜的是最新的只有python3.6.6，并没有3.7，不过太早推3.7可能对用户体验来说不是一件好事，勾选完之后点右下角的修改就可以进入漫长的等待了

到目前为止python的安装部分已经结束了，我会在下一篇博客介绍如何建立项目以及编写一段简单的python代码如何用visual studio 2017建立一个python项目并且编写一段简单代码

我是python新手，如果这篇文章有什么不对的地方欢迎留言指正