NSDT工具推荐： Three.js AI纹理开发包 - YOLO合成数据生成器 - GLTF/GLB在线编辑 - 3D模型格式在线转换 - 可编程3D场景编辑器 - REVIT导出3D模型插件 - 3D模型语义搜索引擎 - AI模型在线查看 - Three.js虚拟轴心开发包 - 3D模型在线减面 - STL模型在线切割 - 3D道路快速建模

空间分析是 GIS 分析的一种，它使用数学和几何来理解空间和时间上发生的模式，包括人类行为和自然现象的模式。

在执行空间分析或空间数据科学时，正确的开源 GIS 工具可以打开一个免费的协作分析功能的世界，而无需昂贵的软件许可。

我们将带你快速浏览一些可用于地理空间分析的开源 Python 库。 所有这些库都可以轻松地与 JupyterLab 集成并扩展到大型数据集。

让我们开始吧。

矢量表示
在 GIS 中，术语“矢量”描述具有相关属性数据（例如名称、县标识符、人口）的离散几何图形（点、线、多边形）。 根据我们的测量规模和水平，我们可以使用不同的几何形状来表示相同的现象。 例如，我们可以将白宫表示为点、线或多边形，具体取决于我们是否要查看建筑物兴趣点、建筑物轮廓或建筑物占地面积。

1、GeoPandas

GeoPandas 致力于让你能够轻松地在 Python 中处理地理空间数据。 它在名为 GeoDataFrame 的新数据结构中扩展了内置 pandas 数据类型。 GeoPandas 包装了基础 Python 包 Shapely 和 Fiona，这两个包都是由 Sean Gillies 创建的。

2、Shapely

从 GeoPandas 开始，Shapely 封装了 GEOS 并定义了实际的几何对象（点、线、多边形）以及它们之间的空间关系（例如邻接、内部、包含）。 您可以在没有 GeoPandas 的情况下直接使用 shapely，但在以数据帧为中心的世界中，Shapely 不再是直接工具，而是对更高级别包的依赖。

3、Fiona

Fiona 可以读取和写入多种地理空间矢量数据，并轻松与其他 Python GIS 库集成。 它依靠 OGR / GEOS 通过包装 Python 的 boto3 库从本地文件系统和 Amazon S3 等云服务读取 shapefile、geopackage、geojson、topojson、KML、GML。

4、Spatialpandas

Spatialpandas 支持基于矢量的空间和几何操作的 Pandas 和 Dask 扩展。 它是使用 Numba 或 Python 处理矢量化几何算法的好工具。 该库首先用于通过 Datashader 进行多边形光栅化，此后已成为其自己的独立项目。

5、PySAL

PySAL 是开发空间回归、空间计量经济学、空间网络统计建模和时空分析以及热点、聚类和异常值检测分析等高级应用程序的好工具。

它由四个模块包组成，分别侧重于空间分析的不同方面：

  • 计算几何问题库
  • 探索空间和时空数据的探索性分析
  • 通过关系估计进行验证性分析的模型
  • Viz 创建地理可视化并链接到 Python 生态系统中的其他可视化工具包

PySAL 是 Sergio Rey 和 Luc Anselin 合作开发的，可通过 Anaconda 获取。

光栅表示
栅格是规则网格化的数据集，例如 GeoTIFF、JPG 和 PNG。 规则网格可用于表示点、线和多边形无法清晰表示的连续现象。 例如，在分析西雅图的每周降雨量时，我们首先从气象站降雨测量（点）开始，然后插入值以创建栅格（连续表面）来表示整个城市的降雨量。

6、GDAL

GDAL 是地理空间数据抽象库，包含 200 多种地理空间数据格式的输入、输出和分析函数。 它支持所有流行编程语言的 API，并包括用于快速栅格处理任务（重采样、类型转换等）的 CLI（命令行界面）。

7、Rasterio

Rasterio 是多产的 Sean Gilles 的另一项创作，它是 GDAL 的包装器，可在 Python 科学数据栈中使用，并与 Xarray 和 Numpy 很好地集成。 它可以读取、写入、组织和存储多种栅格格式，例如云优化的 GeoTIFF (COG)。 一个关键目标是通过使用熟悉的语法为 Python 开发人员提供高性能并减少认知负担。

8、Datashader

Datashader 是一个通用光栅化管道。 我们已经提到了矢量和栅格之间的区别。 如果想从矢量类型转换为栅格类型怎么办？ 这就是 Datashader 发挥作用的地方，它允许你智能地对数据进行网格化。

Datashader 提供的工具可以让你使用少量代码轻松创建图形管道，并且是数据科学原则性方法的理想工具。 它可以处理大型数据集并允许用户生成有意义的可视化。 它允许逐步进行过程，从而无需在可视化大型数据集时进行反复试验。 附带说明一下，makepath 团队包括 Datashader 的核心开发人员。

9、Xarray-Spatial

Xarray-Spatial 使用 Numba 实现常见的栅格分析功能，并提供易于安装和扩展的代码库。 它起源于 Datashader 项目，包括表面分析（例如坡度、曲率、山体阴影、视域）、邻近分析（例如欧氏距离、大圆距离）和区域/焦点分析（按区域或邻域进行汇总统计）的工具。 它不依赖于 GDAL 或 GEOS，旨在支持 GIS 开发人员和分析师所需的核心栅格分析功能。

Xarray-Spatial 由 makepath 的创始人之一布伦丹·柯林斯 (Brendan Collins) 首创。

其他数据表示

10、RTree

RTree 包装了 C 库 libspatialindex，用于构建和查询大型矩形索引。 大多数情况下，矩形代表多边形的边界框，这使得 RTree 库对于快速多边形内点操作至关重要。 该库的一个缺点是底层 C/C++ 代码不是线程安全的。 当尝试从不同的线程或进程访问相同的索引时，这可能会导致问题，但 Geopandas 仍然是一个非常有用的工具。

11、H3

Uber 提出了六角形索引网格分析系统，用于更有针对性地探索和可视化其空间数据。 H3 使用六边形进行索引，可以更好地考虑数据点的移动性并最大限度地减少量化误差（与其他形状相比，例如正方形）。

六边形也是快速、轻松地近似半径的不错选择。 使用的分层方法允许你截断索引的精度/分辨率，而不会丢失原始索引。

H3 是用 C 编写的，还有一个 Python 绑定，以“六边形化你的世界”。

12、NetworkX

NetworkX 可用于分析图形和复杂网络。 一个很好的优点是可以灵活地处理从文本和图像到 XML 记录的各种数据类型以及大量数据（多达数千万个节点和边）。

13、PyProj

PyProj 对于地图投影非常有用，它定义了我们如何扭曲 3D 世界并将其转换为 2D 地图。 PyProj 包装了 Proj4 库，并在 WGS84（经度/纬度）和 UTM（西米/北米）等坐标参考系统之间执行制图转换。 地图投影可能很难理解，但 PyProj 做得很好。

用户界面/笔记本集成

14、folium

folium 秉承“两个优于一个”的原则，融合了 Python（强大的数据分析功能）和 JavaScript（地图强大功能）的优点。 因此，你可以在 Python 中处理数据，然后通过 folium 使用交互式 Leaflet 地图（向 Vladimir Agafonkin 致敬）来展示生成的可视化结果。

它支持 GeoJSON、TopoJSON、图像和视频叠加。

15、结束语

我们可以使用许多工具来进行地理空间数据分析和可视化。 尽管我们只是重点介绍了 Python 堆栈中的一些工具，但地理空间分析并不限于 Python。

Python 的座右铭是“为每个人编程”，这对于地理社区来说当然也是如此。 Python 是许多有抱负的数据科学家的第一语言，我们希望这份列表能够帮助你完成地理之旅。

原文链接：Open Source Spatial Analysis Tools for Python: A Quick Guide

BimAnt翻译整理，转载请标明出处