Basemap绘制地图

川长思鸟来 2022-05-29 07:48 472阅读 0赞

**文章转自：http://blog.csdn.net/ouening/article/details/55227364**

使用folium实现中国地图绘制，文章链接：

> [python/folium绘制中国人口数量热力图(HeatMap)][python_folium_HeatMap]

--------------------

今天发现另一个软件库folium可以实现对openstreetmap的调用，参考链接[http://blog.csdn.net/qq\_14906811/article/details/74906275][http_blog.csdn.net_qq_14906811_article_details_74906275] ，下面是操作步骤：

--------------------

*  下载[2015Cities-CHINA.xlsx][] ，包含中国各城市的经纬度，人口数量，GDP，自己网上搜索整理，数据可能过时了，和维基百科查到的数据不太对，但是拿来写个小程序还是足够的）
 *  安装folium

> pip3 install folium

*  代码实现

# -*- coding: utf-8 -*-
    """
    Created on Sat Dec 23 20:19:47 2017
    
    @author: 周文青
    """
    
    import numpy as np
    import pandas as pd
    import seaborn as sns
    import folium
    import webbrowser
    from folium.plugins import HeatMap
    # posi=pd.read_csv("D:\\Files\\datasets\\CitiesLatLon_China.csv")
    
    posi=pd.read_excel("2015Cities-CHINA.xlsx")
    
    num = 10
    
    lat = np.array(posi["lat"][0:num])                        # 获取维度之维度值
    lon = np.array(posi["lon"][0:num])                        # 获取经度值
    pop = np.array(posi["pop"][0:num],dtype=float)    # 获取人口数，转化为numpy浮点型
    gdp = np.array(posi["GDP"][0:num],dtype=float)    # 获取人口数，转化为numpy浮点型
    
    data1 = [[lat[i],lon[i],pop[i]] for i in range(num)]    #将数据制作成[lats,lons,weights]的形式
    
    map_osm = folium.Map(location=[35,110],zoom_start=5)    #绘制Map，开始缩放程度是5倍
    HeatMap(data1).add_to(map_osm)  # 将热力图添加到前面建立的map里
    
    file_path = r"D:\Files\python\地图\人口.html"
    map_osm.save(file_path)     # 保存为html文件
    
    webbrowser.open(file_path)  # 默认浏览器打开

*  结果：  
    ![这里写图片描述][SouthEast]

这篇博文主要实现用Pyhon,Matplotlib/Basemap绘制中国地图，主要是各省份行政图（轮廓图），地形图和人口分布图，其中人口分布可以嵌入到上述图形中。

参考链接：  
（1）[https://www.zhihu.com/question/49669755][https_www.zhihu.com_question_49669755]  
（2）[http://basemaptutorial.readthedocs.io/en/latest/backgrounds.html\#fillcontinents][http_basemaptutorial.readthedocs.io_en_latest_backgrounds.html_fillcontinents]

1、数据准备：  
（1）到[http://www.gadm.org/download][http_www.gadm.org_download] 下载中国shapefile格式的资料，有读者反应进去不了该网站，可以在我的github下下载[https://github.com/ouening/python-code/tree/master/resources][https_github.com_ouening_python-code_tree_master_resources]下载后的文件名为`CHN_adm_shp.zip` ，解压后如图：  
![这里写图片描述][SouthEast 1]  
主要用到的文件是`CHN_adm1.shp`，另外`CHM_adm1.csv` 可以用notepad打开查看一下文件内容

（2）[2015Cities-CHINA.xlsx][] ，包含中国各城市的经纬度，自己网上搜索整理，数据可能过时了，和维基百科查到的数据不太对，但是拿来写个小程序还是足够的）  
xlsx可以用excel打开查看一下：  
![这里写图片描述][SouthEast 2]  
在python中可以导入pandas模块，使用`read_excel()` 函数方便读取文件

basemap绘图常用函数：  
![这里写图片描述][SouthEast 3]  
basemap地图背景设置函数：  
![这里写图片描述][SouthEast 4]

更多详细的函数介绍请参考

> [http://matplotlib.org/basemap/users/geography.html][http_matplotlib.org_basemap_users_geography.html]

### 程序1，各省份轮廓图 ###

import time
    
    start = time.clock()
    
    from mpl_toolkits.basemap import Basemap
    import matplotlib.pyplot as plt
    from matplotlib.patches import Polygon
    fig = plt.figure()
    ax1 = fig.add_axes([0.1,0.1,0.8,0.8])
    
    map = Basemap(llcrnrlon=80.33, 
                  llcrnrlat=3.01, 
                  urcrnrlon=138.16, 
                  urcrnrlat=56.123,
                 resolution='h', projection='cass', lat_0 = 42.5,lon_0=120,ax=ax1)
    
    shp_info = map.readshapefile("D:\\GoogleDownload\\CHN_adm_shp\\CHN_adm1",'states',drawbounds=True) # CHN_adm1的数据是中国各省区域
    
    for info, shp in zip(map.states_info, map.states):
        proid = info['NAME_1']  # 可以用notepad打开CHN_adm1.csv文件，可以知道'NAME_1'代表各省的名称
        if proid == 'Guangdong':
            poly = Polygon(shp,facecolor='g',edgecolor='c', lw=3) # 绘制广东省区域
            ax1.add_patch(poly)
    
    map.shadedrelief() # 绘制阴暗的浮雕图
    
    map.drawcoastlines()
    end=time.clock()
    print(end-start)
    plt.show()

![这里写图片描述][SouthEast 5]

### 程序2，地形图 ###

import time
    
    start = time.clock()
    from mpl_toolkits.basemap import Basemap
    import matplotlib.pyplot as plt
    from matplotlib.patches import Polygon
    import pandas as pd
    import numpy as np
    posi=pd.read_excel("D:\\Files\\datasets\\2015Cities-CHINA.xlsx") #读取中国城市数据
    lat = np.array(posi["lat"][0:120])                        # 获取维度之维度值
    lon = np.array(posi["lon"][0:120])                        # 获取经度值
    pop = np.array(posi["pop"][0:120],dtype=float) 
    size=(pop/np.max(pop))*100  
    
    
    map = Basemap(llcrnrlon=80.33, 
                  llcrnrlat=3.01, 
                  urcrnrlon=138.16, 
                  urcrnrlat=56.123,
                 resolution='h', projection='cass', lat_0 = 42.5,lon_0=120)
    
    map.readshapefile("D:\\GoogleDownload\\CHN_adm_shp\\CHN_adm1",'states',drawbounds=True)
    
    map.etopo() # 绘制地形图，浮雕样式
    
    map.drawcoastlines()
    
    x,y = map(lon[2],lat[2]) # 北京市坐标，经纬度坐标转换为该map的坐标
    
    a,b = map(lon,lat)
    
    # map.scatter(a,b,s=size) # 取消注释此行即可获得中国各地区人口分布示意图
    
    map.scatter(x,y,s=200,marker='*',facecolors='r',edgecolors='r') # 绘制首都
    
    end=time.clock()
    
    print(end-start)
    
    plt.show()

*  ![这里写图片描述][SouthEast 6]

### 程序3，人口分布图 ###

import urllib
    import numpy as np
    import matplotlib
    matplotlib.rcParams['toolbar'] = 'None'
    import matplotlib.pyplot as plt
    from mpl_toolkits.basemap import Basemap
    from  matplotlib.animation import FuncAnimation
    import pandas as pd
    import seaborn as sns
    
    
    # posi=pd.read_csv("D:\\Files\\datasets\\CitiesLatLon_China.csv")
    
    posi=pd.read_excel("D:\\Files\\datasets\\2015Cities-CHINA.xlsx")
    
    
    lat = np.array(posi["lat"][0:120])                        # 获取维度之维度值
    lon = np.array(posi["lon"][0:120])                        # 获取经度值
    pop = np.array(posi["pop"][0:120],dtype=float)    # 获取人口数，转化为numpy浮点型
    gdp = np.array(posi["GDP"][0:120],dtype=float)    # 获取人口数，转化为numpy浮点型
    
    size=(pop/np.max(pop))*100    # 绘制散点图时图形的大小，如果之前pop不转换为浮点型会没有大小不一的效果
    
    # size=(gdp/np.max(gdp))*100    # 绘制散点图时图形的大小，如果之前pop不转换为浮点型会没有大小不一的效果
    
    map = Basemap(projection='stere', 
                  lat_0=35, lon_0=110,
                  llcrnrlon=82.33, 
                  llcrnrlat=3.01, 
                  urcrnrlon=138.16, 
                  urcrnrlat=53.123,resolution='l',area_thresh=10000,rsphere=6371200.)
    
    
    map.drawcoastlines()   
    map.drawcountries()    
    map.drawcounties()
    map.readshapefile("D:\\GoogleDownload\\CHN_adm_shp\\CHN_adm1",'states',drawbounds=True)
    map.drawmapboundary()
    
    
    parallels = np.arange(0.,90,10.) 
    map.drawparallels(parallels,labels=[1,0,0,0],fontsize=10) # 绘制纬线
    
    meridians = np.arange(80.,140.,10.)
    map.drawmeridians(meridians,labels=[0,0,0,1],fontsize=10) # 绘制经线
    
    
    x,y = map(lon,lat)
    
    # map.scatter(x,y,edgecolors='r',facecolors='r',marker='*',s=320)
    
    map.scatter(x,y,s=size)
    
    plt.title("Population Distribution in China")
    plt.show()

![这里写图片描述][SouthEast 7]

[python_folium_HeatMap]: http://blog.csdn.net/ouening/article/details/78882094
[http_blog.csdn.net_qq_14906811_article_details_74906275]: http://blog.csdn.net/qq_14906811/article/details/74906275
[2015Cities-CHINA.xlsx]: https://github.com/ouening/python-code/blob/master/resources/Basemap/2015Cities-CHINA.xlsx
[SouthEast]: /images/20220529/883bfe51c5044fa9b74ca7778ccc00f2.png
[https_www.zhihu.com_question_49669755]: https://www.zhihu.com/question/49669755
[http_basemaptutorial.readthedocs.io_en_latest_backgrounds.html_fillcontinents]: http://basemaptutorial.readthedocs.io/en/latest/backgrounds.html#fillcontinents
[http_www.gadm.org_download]: http://www.gadm.org/download
[https_github.com_ouening_python-code_tree_master_resources]: https://github.com/ouening/python-code/tree/master/resources
[SouthEast 1]: /images/20220529/a2e047a30a914383b91d3e87328cfdfd.png
[SouthEast 2]: /images/20220529/11e5b0db2dd24cf28b42c683e76f91a1.png
[SouthEast 3]: /images/20220529/df01b91898b24a6091cc8f72a7f218b4.png
[SouthEast 4]: /images/20220529/d3978ee229f04b75acba747707fcc8b4.png
[http_matplotlib.org_basemap_users_geography.html]: http://matplotlib.org/basemap/users/geography.html
[SouthEast 5]: /images/20220529/8bf380eb440b484ea54a327619a879c0.png
[SouthEast 6]: /images/20220529/060286fc86294848b05b233c269f14d2.png
[SouthEast 7]: /images/20220529/b41293916aa34828907ee8ecb4f96e0b.png