ほぼコピペですが見てみます。
https://www.kaggle.com/code/alexisbcook/manipulating-geospatial-data
import pandas as pd
import geopandas as gpd
import numpy as np
import folium
from folium import Marker
import warnings
warnings.filterwarnings('ignore')
導入
このチュートリアルでは、地理空間データのための2つの一般的な操作、ジオコーディングとテーブル結合について学びます。
ジオコーディング
ジオコーディングとは、場所の名前や住所を地図上の位置に変換するプロセスです。たとえば、Google Maps、Bing Maps、Baidu Mapsなどを使用してランドマークの説明に基づいて地理的な場所を検索したことがあれば、ジオコーダを使用したことになります！
すべてのジオコーディングにはgeopyを使用します。
from geopy.geocoders import Nominatim
上記のコードセルでは、Nominatimは位置情報を生成するために使用されるジオコーディングソフトウェアを指します。
まず、ジオコーダをインスタンス化してから、名前または住所をPython文字列として提供する必要があります（この場合、 "Pyramid of Khufu"またはGreat Pyramid of Gizaとして提供します）。
ジオコーディングが成功した場合、重要な2つの属性を含むgeopy.location.Locationオブジェクトが返されます：
- "point"属性には（緯度、経度）の場所が含まれ、
- "address"属性には完全な住所が含まれます。
geolocator = Nominatim(user_agent="kaggle_learn")
location = geolocator.geocode("Pyramid of Khufu")
print(location.point)
print(location.address)
29 58m 44.976s N, 31 8m 3.17625s E
هرم خوفو, شارع ابو الهول السياحي, نزلة البطران, الجيزة, 12125, مصر
"point"属性の値はgeopy.point.Pointオブジェクトであり、緯度と経度はそれぞれlatitudeとlongitude属性から取得できます。
point = location.point
print("Latitude:", point.latitude)
print("Longitude:", point.longitude)
Latitude: 29.97916
Longitude: 31.134215625236113
多くの異なる住所をジオコーディングする必要があることはよくあります。たとえば、ヨーロッパのトップ100大学の場所を取得したい場合などです。
universities = pd.read_csv("../input/geospatial-learn-course-data/top_universities.csv")
universities.head()
その後、ラムダ関数を使用してDataFrame内のすべての行にジオコーダを適用できます（ジオコーディングが失敗する場合を考慮して、try/exceptステートメントを使用しています）。
def my_geocoder(row):
try:
point = geolocator.geocode(row).point
return pd.Series({'Latitude': point.latitude, 'Longitude': point.longitude})
except:
return None
universities[['Latitude', 'Longitude']] = universities.apply(lambda x: my_geocoder(x['Name']), axis=1)
print("{}% of addresses were geocoded!".format(
(1 - sum(np.isnan(universities["Latitude"])) / len(universities)) * 100))
Drop universities that were not successfully geocoded
universities = universities.loc[~np.isnan(universities["Latitude"])]
universities = gpd.GeoDataFrame(
universities, geometry=gpd.points_from_xy(universities.Longitude, universities.Latitude))
universities.crs = {'init': 'epsg:4326'}
universities.head()
91.0% of addresses were geocoded!
次に、ジオコーダによって返されたすべての場所を可視化します。いくつかの場所は明らかに正確でなく、ヨーロッパに存在しないことがあります。
# Create a map
m = folium.Map(location=[54, 15], tiles='openstreetmap', zoom_start=2)
Add points to the map
for idx, row in universities.iterrows():
Marker([row['Latitude'], row['Longitude']], popup=row['Name']).add_to(m)
Display the map
m
テーブル結合
次に、異なるソースからのデータを組み合わせる方法について考えます。
属性結合
共有インデックスを持つ複数のDataFrameから情報を組み合わせる方法として、pd.DataFrame.join()を使用する方法をすでに知っています。これは、データを結合する方法（単にインデックスの値を一致させる）として属性結合と呼ばれます。
GeoDataFrameで属性結合を実行する場合、gpd.GeoDataFrame.merge()を使用するのが最適です。これを説明するために、ヨーロッパの各国の境界を含むGeoDataFrameであるeurope_boundariesを使用します。このGeoDataFrameの最初の5行は以下に示されています。
world = gpd.read_file(gpd.datasets.get_path('naturalearth_lowres'))
europe = world.loc[world.continent == 'Europe'].reset_index(drop=True)
europe_stats = europe[["name", "pop_est", "gdp_md_est"]]
europe_boundaries = europe[["name", "geometry"]]
In [9]:
europe_boundaries.head()
このGeoDataFrameを、各国の推定人口と国内総生産（GDP）を含むDataFrameであるeurope_statsと結合します。
europe_stats.head()
Out[10]:
以下のコードセルで属性結合を行います。on引数は、europe_boundariesの行をeurope_statsの行に一致させるために使用される列名に設定されています。
# Use an attribute join to merge data about countries in Europe
europe = europe_boundaries.merge(europe_stats, on="name")
europe.head()
もう1つの結合のタイプは、空間結合です。空間結合では、"geometry"列内のオブジェクト間の空間関係に基づいてGeoDataFrameを組み合わせます。たとえば、すでにヨーロッパの大学のジオコーディングされた住所を含むGeoDataFrame universitiesがあるとします。
その後、各大学を対応する国に一致させるために、空間結合を使用できます。これはgpd.sjoin()を使用して行います。
# Use spatial join to match universities to countries in Europe
european_universities = gpd.sjoin(universities, europe)
Investigate the result
print("We located {} universities.".format(len(universities)))
print("Only {} of the universities were located in Europe (in {} different countries).".format(
len(european_universities), len(european_universities.name.unique())))
european_universities.head()
We located 91 universities.
Only 87 of the universities were located in Europe (in 14 different countries).
上記の空間結合は、両方のGeoDataFrameの"geometry"列を見ます。universities GeoDataFrameのPointオブジェクトがeurope DataFrameのPolygonオブジェクトと交差する場合、対応する行が組み合わされ、european_universities DataFrameの単一の行として追加されます。それ以外の場合、一致する大学のない国（および一致しない国のない大学）は結果から省略されます。
gpd.sjoin()メソッドは、howとop引数を介して異なるタイプの結合にカスタマイズできます。たとえば、how='left'（またはhow='right'）を設定することで、SQLの左結合（または右結合）と同等の操作を実行できます。詳細については、ドキュメントを参照して詳細を学ぶことができます。