簡介

開門見山，今天我們要模仿的資料可視化作品來自「#TidyTuesday」活動于2020年1月28日發布的「舊金山街道樹木資料集」下的眾多參賽作品中，由Philippe Massicotte創作的（如圖1所示）非常受歡迎的「Street trees of San Francisco」：

圖1

原作者使用的工具是R語言，而今天的文章內容，我就將帶大家學習如何在Python中模仿圖1的風格進行類似資料資訊的可視化展示（其實原作品有一些令人困惑的瑕疵，因此我在下文中在一些地方采用了與原作者不同的分析方式，因此最終的成品與原作品有一些不同之處），

模仿程序

今天我們要模仿的這張圖，咋一看上去似乎略復雜，但如果你曾經閱讀過我的「基于geopandas的空間資料分析」系列文章，就一下子可以在腦中將此圖構成進行分解：

程序分解

我們仔細觀察原作品，可以get到其主要視覺元素是將統計出的數值映射到每個社區面色彩之上，且外圍的輪廓描邊，很明顯是整個地區對應整體的向外緩沖區，再輔以道路網，使得整張圖看起來顯得很“精密”，

結合我們手頭的資料：舊金山社區「面」資料、有登記的街道樹木「點」資料，至于道路網「線」資料我們則可以利用第三方庫osmnx進行獲取（建議利用conda install -c conda-forge osmnx進行安裝），

將程序拆分為下列步驟：

「資料準備」

首先我們需要讀入已有的資料并進行相應的矢量化：

而路網資料我們則可以利用osmnx進行在線獲取，只需傳入我們的舊金山面資料bbox范圍，配合

osmnx進行獲取即可：

接著我們在上述資料基礎上對每個社區面內部的街道樹木數量進行統計并對資料進行分箱，配上預設區間的色彩值：

# 統計每個社區內部的樹木數量
sf_trees = \
(
    gpd
    # 空間連接
    .sjoin(left_df=sf,
           right_df=trees,
           op='contains',
           how='left')
    # 按照name分組計數（這里未連接到任何數的社區被
    # 記為1本質上是錯誤的，但我們繪圖分段后這一點不影響）
    .groupby('name')
    .agg({
        'name': 'count',
        'geometry': 'first'
    })
    .rename(columns={'name': '數量'})
    .reset_index(drop=False)
    # 直接轉為GeoDataFrame
    .pipe(gpd.GeoDataFrame, crs='EPSG:4326')
)

sf_trees['顏色'] = (
    pd
    .cut(sf_trees['數量'], 
         bins=[0, 2500, 5000, 7500, 10000, max(sf_trees['數量'])], 
         labels=['#e4f1e1', '#c0dfd1', '#67a9a2', '#3b8383', '#145e64'])
)

最后別忘記了我們作為輪廓的緩沖區生成：

# 生成輪廓緩沖區
sf_bounds = gpd.GeoSeries([sf.buffer(0.001).unary_union], crs='EPSG:4326')

「主要視覺元素繪制」

做好這些準備后我們直接就可以先將影像的主體元素繪制出來：

import matplotlib.pyplot as plt
from matplotlib import font_manager as fm

# 設定全域默認字體
plt.rcParams['font.sans-serif'] = ['Times New Roman']

fig, ax = plt.subplots(figsize=(6, 6))

# 設定背景色
ax.set_facecolor('#333333')
fig.set_facecolor('#333333')

# 圖層1：緩沖區輪廓
ax = (
    sf_bounds
    .plot(ax=ax, facecolor='none', edgecolor='#cccccc', linewidth=1)
)

# 圖層2：帶有樹木統計資訊的社區面
ax = (
    sf_trees
    .plot(color=sf_trees['顏色'], edgecolor='#333333',
          linewidth=0.5, ax=ax)
)

# 圖層3：osm路網
ax = (
    roads
    .plot(linewidth=0.05, edgecolor='#3c3d3d',
          ax=ax)
)

# 設定x軸
ax.set_xticks([-122.5, -122.45, -122.4, -122.35])
ax.set_xticklabels(['122.5°W', '122.45°W', '122.4°W', '122.35°W'])

# 設定y軸
ax.set_yticks([37.72, 37.74, 37.76, 37.78, 37.8, 37.82])
ax.set_yticklabels(['37.72°N', '37.74°N', '37.76°N', '37.78°N', '37.8°N', '37.82°N'])

# 設定坐標軸樣式
ax.tick_params(axis='both', labelcolor='#737373', color='none', labelsize=8)

# 隱藏周圍的spines線條
ax.spines['left'].set_color('none')
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
ax.spines['bottom'].set_color('none')

# 匯出影像
fig.savefig('圖4.png', dpi=600, bbox_inches='tight')

「輔助視覺元素的添加」

接下來我們只需要補充上各種點睛之筆的小元素即可，其中值得一提的是下方的圖例我們用inset_axes()插入子圖的方式靈活實作，

并且外部字體檔案的使用也是很添彩的，我們這里就分別在「標題」和「刻度標簽」處使用到了兩種特殊的字體（你可以在開頭的Github倉庫找到我用到的所有字體檔案）：

fig, ax = plt.subplots(figsize=(6, 6))

# 設定背景色
ax.set_facecolor('#333333')
fig.set_facecolor('#333333')

# 圖層1：緩沖區輪廓
ax = (
    sf_bounds
    .plot(ax=ax, facecolor='none', edgecolor='#cccccc', linewidth=1)
)

# 圖層2：帶有樹木統計資訊的社區面
ax = (
    sf_trees
    .plot(color=sf_trees['顏色'], edgecolor='#333333',
          linewidth=0.5, ax=ax)
)

# 圖層3：osm路網
ax = (
    roads
    .plot(linewidth=0.05, edgecolor='#3c3d3d',
          ax=ax)
)

# 設定x軸
ax.set_xticks([-122.5, -122.45, -122.4, -122.35])
ax.set_xticklabels(['122.5°W', '122.45°W', '122.4°W', '122.35°W'])

# 設定y軸
ax.set_yticks([37.72, 37.74, 37.76, 37.78, 37.8, 37.82])
ax.set_yticklabels(['37.72°N', '37.74°N', '37.76°N', '37.78°N', '37.8°N', '37.82°N'])

# 設定坐標軸樣式
ax.tick_params(axis='both', labelcolor='#737373', color='none', labelsize=8)

# 隱藏周圍的spines線條
ax.spines['left'].set_color('none')
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
ax.spines['bottom'].set_color('none')

# 以插入子圖的方式添加下方圖例
ax_bar = ax.inset_axes((0.25, -0.12, 0.5, 0.015))
ax_bar.set_facecolor('#333333')
ax_bar.spines['left'].set_color('none')
ax_bar.spines['right'].set_color('none')
ax_bar.spines['top'].set_color('none')
ax_bar.spines['bottom'].set_color('none')

ax_bar.bar(range(5), [1]*5, width=0.975, color=['#e4f1e1', '#c0dfd1', '#67a9a2', '#3b8383', '#145e64'])
ax_bar.set_yticks([])
ax_bar.set_xticks([i+0.5 for i in range(4)])
ax_bar.set_xticklabels(['2500', '5000', '7500', '10000'], 
                       fontdict={'fontproperties': fm.FontProperties(fname="RobotoCondensed-Regular.ttf")})
ax_bar.tick_params(color='none', labelcolor='#ffffff', labelsize=8, pad=0)

ax.set_title('Street trees of San Francisco', 
             fontsize=24,
             color='#ffffff',
             pad=40,
             fontproperties=fm.FontProperties(fname="Amaranth-Bold.ttf"))

ax.text(0.5, 1.08, '''There are a total of 192987 trees in San Francisco regrouped into 571 species.
The district with the most number of trees is Mission whereas the one with
the least number of trees is LincoLn Park / Ft. Miley.''', transform=ax.transAxes, ma='center',
        ha='center', va='top', color='#ffffff')

ax.text(0.5, -0.22, 'Visualization by CNFeffery', fontsize=8,
        color='#737373', ha='center', transform=ax.transAxes)

# 匯出影像
fig.savefig('圖5.png', dpi=600, bbox_inches='tight')

轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/232299.html

標籤：Python

上一篇：python實戰筆記（三）

下一篇：推薦一條高效python學習之路，讓你從小白到熟練

用Python來仿制一張R語言的資料可視化圖

簡介

模仿程序

程序分解