Plotly繪制成都地鐵全線路圖
最近做一個地圖可視化的專案需要在地圖上畫出成都已開通的地鐵線路圖，中間還是踩了幾個小坑，記錄一下整個程序，
1. 開發環境
python 3.8
plotly（沒安裝的自行pip安裝）
百度地圖API（獲取所有線路的地鐵站點資訊）
2. 效果展示
廢話不多說，先上效果圖，
3. 實作程序
百度地圖開放平臺獲取站點資訊（json格式）
百度坐標系轉換到WGS-84坐標系
生成excel或csv表格
plotly繪制線路圖
3.1 百度地圖開放平臺獲取站點資訊，鏈接直接上代碼：
city_code=75 #成都市城市代碼
station_info = requests.get('http://map.baidu.com/?qt=bsi&c=%s&t=%s' % (
city_code,
int(time.time() * 1000)
))
station_info_json = eval(station_info.content)
3.2 為什么要進行坐標轉換
plotly用的是WGS-84坐標系，而百度地圖所使用的坐標體系，是在火星坐標系的基礎上又進行了一次加密處理，百度轉WGS-84還稍微有點復雜，不過有開源代碼，直接拿來用就可以了，
簡單科普一下國內常用的坐標系（至于為什么有幾種不同坐標系請自行google）：
地球坐標系——WGS84：常見于 GPS 設備，Google 地圖等國際標準的坐標系，
火星坐標系——GCJ-02：中國國內使用的被強制加密后的坐標體系，高德坐標就屬于該種坐標體系，
百度坐標系——BD-09：百度地圖所使用的坐標體系，是在火星坐標系的基礎上又進行了一次加密處理，
3.3 將json資料存為excel檔案，一遍mapbox呼叫，excel檔案的格式如下：
獲取站點資訊的完整代碼如下：
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
Created on Fri Nov 6 11:16:45 2020
Chengdu Metro Lines by plotly with python
@author: 進擊的SB
"""
import requests
import time
import numpy as np
import math
# import plotly.offline as py
# import plotly.graph_objs as go
import pandas as pd
PI = math.pi
null = None
city_code=75
station_info = requests.get('http://map.baidu.com/?qt=bsi&c=%s&t=%s' % (
city_code,
int(time.time() * 1000)
))
station_info_json = eval(station_info.content)
# print(station_info_json)
# 決議地鐵線路站點資訊
for line in station_info_json['content']:
# i = 0
plots = []
plots_name = []
for plot in line['stops']:
plots.append([plot['x'], plot['y']])
plots_name.append(plot['name'])
# print(plots)
plot_mercator = np.array(plots)
def _transformlat(coordinates):
lng = coordinates[ : , 0] - 105
lat = coordinates[ : , 1] - 35
ret = -100 + 2 * lng + 3 * lat + 0.2 * lat * lat + \
0.1 * lng * lat + 0.2 * np.sqrt(np.fabs(lng))
ret += (20 * np.sin(6 * lng * PI) + 20 *
np.sin(2 * lng * PI)) * 2 / 3
ret += (20 * np.sin(lat * PI) + 40 *
np.sin(lat / 3 * PI)) * 2 / 3
ret += (160 * np.sin(lat / 12 * PI) + 320 *
np.sin(lat * PI / 30.0)) * 2 / 3
return ret
def _transformlng(coordinates):
lng = coordinates[ : , 0] - 105
lat = coordinates[ : , 1] - 35
ret = 300 + lng + 2 * lat + 0.1 * lng * lng + \
0.1 * lng * lat + 0.1 * np.sqrt(np.fabs(lng))
ret += (20 * np.sin(6 * lng * PI) + 20 *
np.sin(2 * lng * PI)) * 2 / 3
ret += (20 * np.sin(lng * PI) + 40 *
np.sin(lng / 3 * PI)) * 2 / 3
ret += (150 * np.sin(lng / 12 * PI) + 300 *
np.sin(lng / 30 * PI)) * 2 / 3
return ret
def gcj02_to_wgs84(coordinates):
"""
GCJ-02轉WGS-84
:param coordinates: GCJ-02坐標系的經度和緯度的numpy陣列
:returns: WGS-84坐標系的經度和緯度的numpy陣列
"""
ee = 0.006693421622965943 # 偏心率平方
a = 6378245 # 長半軸
lng = coordinates[ : , 0]
lat = coordinates[ : , 1]
is_in_china= (lng > 73.66) & (lng < 135.05) & (lat > 3.86) & (lat < 53.55)
_transform = coordinates[is_in_china] #只對國內的坐標做偏移
dlat = _transformlat(_transform)
dlng = _transformlng(_transform)
radlat = _transform[ : , 1] / 180 * PI
magic = np.sin(radlat)
magic = 1 - ee * magic * magic
sqrtmagic = np.sqrt(magic)
dlat = (dlat * 180.0) / ((a * (1 - ee)) / (magic * sqrtmagic) * PI)
dlng = (dlng * 180.0) / (a / sqrtmagic * np.cos(radlat) * PI)
mglat = _transform[ : , 1] + dlat
mglng = _transform[ : , 0] + dlng
coordinates[is_in_china] = np.array([
_transform[ : , 0] * 2 - mglng, _transform[ : , 1] * 2 - mglat
]).T
return coordinates
def bd09_to_gcj02(coordinates):
"""
BD-09轉GCJ-02
:param coordinates: BD-09坐標系的經度和緯度的numpy陣列
:returns: GCJ-02坐標系的經度和緯度的numpy陣列
"""
x_pi = PI * 3000 / 180
x = coordinates[ : , 0] - 0.0065
y = coordinates[ : , 1] - 0.006
z = np.sqrt(x * x + y * y) - 0.00002 * np.sin(y * x_pi)
theta = np.arctan2(y, x) - 0.000003 * np.cos(x * x_pi)
lng = z * np.cos(theta)
lat = z * np.sin(theta)
coordinates = np.array([lng, lat]).T
return coordinates
def bd09_to_wgs84(coordinates):
"""
BD-09轉WGS-84
:param coordinates: BD-09坐標系的經度和緯度的numpy陣列
:returns: WGS-84坐標系的經度和緯度的numpy陣列
"""
return gcj02_to_wgs84(bd09_to_gcj02(coordinates))
def mercator_to_bd09(mercator):
"""
BD-09MC轉BD-09
:param coordinates: GCJ-02坐標系的經度和緯度的numpy陣列
:returns: WGS-84坐標系的經度和緯度的numpy陣列
"""
MCBAND = [12890594.86, 8362377.87, 5591021, 3481989.83, 1678043.12, 0]
MC2LL = [[1.410526172116255e-08, 8.98305509648872e-06, -1.9939833816331,
200.9824383106796, -187.2403703815547, 91.6087516669843,
-23.38765649603339, 2.57121317296198, -0.03801003308653,
17337981.2],
[-7.435856389565537e-09, 8.983055097726239e-06, -0.78625201886289,
96.32687599759846, -1.85204757529826, -59.36935905485877,
47.40033549296737, -16.50741931063887, 2.28786674699375,
10260144.86],
[-3.030883460898826e-08, 8.98305509983578e-06, 0.30071316287616,
59.74293618442277, 7.357984074871, -25.38371002664745,
13.45380521110908, -3.29883767235584, 0.32710905363475,
6856817.37],
[-1.981981304930552e-08, 8.983055099779535e-06, 0.03278182852591,
40.31678527705744, 0.65659298677277, -4.44255534477492,
0.85341911805263, 0.12923347998204, -0.04625736007561,
4482777.06],
[3.09191371068437e-09, 8.983055096812155e-06, 6.995724062e-05,
23.10934304144901, -0.00023663490511, -0.6321817810242,
-0.00663494467273, 0.03430082397953, -0.00466043876332,
2555164.4],
[2.890871144776878e-09, 8.983055095805407e-06, -3.068298e-08,
7.47137025468032, -3.53937994e-06, -0.02145144861037,
-1.234426596e-05, 0.00010322952773, -3.23890364e-06,
826088.5]]
x = np.abs(mercator[ : , 0])
y = np.abs(mercator[ : , 1])
coef = np.array([
MC2LL[index] for index in
(np.tile(y.reshape((-1, 1)), (1, 6)) < MCBAND).sum(axis=1)
])
return converter(x, y, coef)
def converter(x, y, coef):
x_temp = coef[ : ,0] + coef[ : ,1] * np.abs(x)
x_n = np.abs(y) / coef[ : ,9]
y_temp = coef[ : ,2] + coef[ : ,3] * x_n + coef[ : ,4] * x_n ** 2 + \
coef[ : ,5] * x_n ** 3 + coef[ : ,6] * x_n ** 4 + coef[ : ,7] * x_n ** 5 + \
coef[ : ,8] * x_n ** 6
x[x < 0] = -1
x[x >= 0] = 1
y[y < 0] = -1
y[y >= 0] = 1
x_temp *= x
y_temp *= y
coordinates = np.array([x_temp, y_temp]).T
return coordinates
data = [] #繪制資料
marked = set()
# cnt = 0
for line in station_info_json['content']:
uid = line['line_uid']
if uid in marked: #由于線路包括了來回兩個方向，需要排除已繪制線路的反向線路
continue
plots = [] #站臺BD-09MC坐標
plots_name = [] #站臺名稱
for plot in line['stops']:
plots.append([plot['x'], plot['y']])
plots_name.append(plot['name'])
df1 = pd.DataFrame(columns=['站名'], data=plots_name)
plot_mercator = np.array(plots)
# print(plot_mercator)
plot_coordinates = bd09_to_wgs84(mercator_to_bd09(plot_mercator)) #站臺經緯度
list_lonlat = plot_coordinates.tolist()
df2 = pd.DataFrame(columns=['經度', '緯度'], data=list_lonlat)
df3 = pd.concat([df1, df2], axis=1)
df3.to_csv('cdmerto_sites.csv', mode='a', index=False, encoding='gb2312')
csv_to_excel = pd.read_csv('cdmerto_sites.csv', encoding='gb2312')
csv_to_excel.to_excel('cdmerto_allsites.xlsx', sheet_name='Sheet1', index=False)
marked.add(uid) #添加已繪制線路的uid
marked.add(line['pair_line_uid']) #添加已繪制線路反向線路的uid
如果是windows系統，需要增加csv或excel檔案的路徑，
3.4 使用plotly畫出地鐵線路圖，需要先申請plotly的key，不知道怎么申請的可自行google，
import pandas as pd
import plotly.graph_objects as go
import plotly.express as px
prop = pd.read_excel(r'/Users/awesomeo/map/lonlat_gps84.xlsx') #此處為房源可視化資料，可忽略，只關注cd_metro
cd_metro = pd.read_excel(r'/Users/awesomeo/map/cdmerto_allsites.xlsx', encoding='gb2312', sheet_name='Sheet1')
# print(prop.head())
token = 'pk.eyJ1IjoiZm94eGpqIiwiYSI6ImNraDJ1OXNhbzBhYzEydXA2Ymt6N2R0NHAifQ.VkK9tHG3fwSnVr2k2Zxleg'
fig = px.scatter_mapbox(prop,
lon='longitude',
lat='latitude',
size='起拍價/萬元',
color='面積/m2',
hover_name='樓盤名稱',
hover_data=['district'],
size_max=20,
color_continuous_scale=px.colors.carto.Temps
)
# 使用unique去重得到線路條數
lines = cd_metro['線路'].unique()
# print(lines)
colors =['rgb(255,182,193)', 'rgb(138,43,226)', 'rgb(0,0,255)', 'rgb(0,191,255)', 'rgb(32,178,170)', 'rgb(230,230,250)',
'rgb(255,165,0)', 'rgb(255,69,0)', 'rgb(139,0,0)', 'rgb(240,128,128)', 'rgb(107,142,35)']
# print(list(zip(lines, colors)))
fig.add_traces([go.Scattermapbox(mode='markers + lines',
#取對應每一條線路的經緯度資訊
lon = cd_metro.loc[lambda x: x['線路'] ==line]['經度'],
lat = cd_metro.loc[lambda x: x['線路'] ==line]['緯度'],
marker = {'color': color, 'size': 6},
hovertext = cd_metro.loc[lambda x: x['線路'] ==line]['站名'],
hoverinfo = 'text',
showlegend = False) for line, color in list(zip(lines,colors))])
fig.update_layout(mapbox={'accesstoken':token, 'center':{'lon':104.072329, 'lat':30.65342}, 'zoom':11.8},
margin={'l':0, 'r':0, 't':0, 'b':0}
)
fig.write_html(r'cd_metro_all.html')
**重點提醒：
- 一定要進行坐標轉換，要不然畫出來的地鐵線路是偏離的，
- plotly的底圖是可以更換的，我更換到高德底圖進行過對比，基本是準確的，如果不知道如何更換底圖的朋友可私信聯系，**
轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/229186.html
標籤：python