用Python实现城市方向熵的计算

引言

第一次写CSDN的博客，就先给大家介绍如何安装osmnx模块（让人很头疼），以及利用osmnx和geopandas采集openstreetmap上的城市街道数据并且计算和可视化街道的方向熵，教程的主要方法来自微信公众号“数读城事”，本博客就把你可能遇到的问题以及实现的具体步骤复现一遍，废话不多说，咱们开始吧。

安装osmnx

笔者使用的是Python 3.7版本，必须要吐槽的是osmnx的模块真的很难安装，网上有很多方法讲解如何安装，主流的IDLE我试过了anaconda、pycharm和python自带的IDLE，其中anaconda最难安装，不仅会遇到网络问题、编译环境问题，而且安装完成后调用失败，在这里就不推荐给大家了，pycharm可以直接使用python的包，所以，简单省事就选pip吧。这里直接附上链接，window中osmnx包的详细安装过程，大家按图索骥去安装吧，国内使用记得在安装时换国内的镜像源哦。

行政区划数据准备

这里我们以成都主城区为例，需要说明的是，分区县的矢量数据是1：100万的全国基础地理信息数据，由数读城事整理，数据已上传，需要的小伙伴自行下载，我们使用ArcGIS对数据进行选择和导出。

首先打开GIS。

载入区县一级的行政区划数据。

选择——按属性选择——“市”=“成都市”。

导出——导出所选要素，格式为.shp。

完毕。

OSM数据的获取

我把接下去的步骤分为数据的获取以及可视化两个部分。数据的获取部分直接附上整理后的代码。

import osmnx as ox
import geopandas as gpd
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
import math
from plot_map import plot_mapdef reverse_bearing(x):return x + 180 if x < 180 else x - 180def count_and_merge(n, bearings):# make twice as many bins as desired, then merge them in pairs# prevents bin-edge effects around common values like 0° and 90°n = n * 2bins = np.arange(n + 1) * 360 / ncount, _ = np.histogram(np.array(bearings), bins=bins)# move the last bin to the front, so eg 0.01° and 359.99° will be binned togethercount = np.roll(count, 1)return count[::2] + count[1::2]def calculate_entropy(count):count_p = count/count.sum()entropy = 0for i in count_p:entropy -= i*math.log(i)return entropy# function to draw a polar histogram for a set of edge bearings
def polar_plot(ax, bearings, n=36, title=''):bins = np.arange(n + 1) * 360 / ncount = count_and_merge(n, bearings)_, division = np.histogram(bearings, bins=bins)frequency = count / count.sum()division = division[0:-1]width =  2 * np.pi / nax.set_theta_zero_location('N')ax.set_theta_direction('clockwise')x = division * np.pi / 180bars = ax.bar(x, height=frequency, width=width, align='center', bottom=0, zorder=2,color='#003366', edgecolor='k', linewidth=0.5, alpha=0.7)ax.set_ylim(top=frequency.max())title_font = {'family':'DejaVu Sans', 'size':24, 'weight':'bold'}xtick_font = {'family':'DejaVu Sans', 'size':10, 'weight':'bold', 'alpha':1.0, 'zorder':3}ytick_font = {'family':'DejaVu Sans', 'size': 9, 'weight':'bold', 'alpha':0.2, 'zorder':3}ax.set_title(title.upper(), y=1.05, fontdict=title_font)ax.set_yticks(np.linspace(0, max(ax.get_ylim()), 5))yticklabels = ['{:.2f}'.format(y) for y in ax.get_yticks()]yticklabels[0] = ''ax.set_yticklabels(labels=yticklabels, fontdict=ytick_font)xticklabels = ['N', '', 'E', '', 'S', '', 'W', '']ax.set_xticklabels(labels=xticklabels, fontdict=xtick_font)ax.tick_params(axis='x', which='major', pad=-2)if __name__ == '__main__' :city = gpd.read_file('./成都.shp')city_road = gpd.GeoDataFrame(columns = ['u', 'v', 'key', 'osmid', 'name', 'highway', 'oneway', 'length','geometry', 'bridge', 'ref', 'lanes', 'maxspeed', 'access', 'tunnel','junction','district'])  ### 创造一个空的GeoDataFrame，用来储存我们即将下载的各个区的路网数据city_orientation_count = []  ### 创造一个空的列表，用来存放各个区内各个街道的方向try:for i in range(0,10):  ### 写一个循环，遍历每个区，依次获取并处理路网数据G = ox.graph_from_polygon(city.loc[i,'geometry'],network_type='drive')  ### 利用osmnx，获取每个区的路网数据（可以通行小汽车的路网）city.loc[i,'三岔路口比例'] = ox.stats.basic_stats(G)['streets_per_node_proportion'][3]city.loc[i,'十字路口比例'] = ox.stats.basic_stats(G)['streets_per_node_proportion'][4]road_gdf = ox.graph_to_gdfs(G)[1]  ### 上一步获取的路网数据格式为networkx中的graph格式，这里我们将它转换成GeoDataFrameroad_gdf['district'] = city.loc[i,'NAME']  ### 并为路网赋上相应的行政区信息（属于哪个区）city_road = city_road.append(road_gdf,ignore_index=True)  ### 将每个区的路网添加至总的路网数据中Gu = ox.add_edge_bearings(ox.get_undirected(G))  ### 利用osmnx的add_edge_bearings函数为路网的边添加方向属性b = pd.Series([d['bearing'] for u, v, k, d in Gu.edges(keys=True, data=True)])  ### 将边的方向属性都提取出来，存在一个Series中b = pd.concat([b, b.map(reverse_bearing)]).reset_index(drop=True).dropna()  ### 为边添加另一个方向的方向属性（+-180度）（因为路都是直线，如果从a端点到b端点与正北的夹角为30度，那么b端点到a端点与正北的夹角就是210度city_orientation_count.append(b)  ### 将提取出来的方向属性添加到总的方向数据中city.loc[i,'方向熵'] = calculate_entropy(count_and_merge(36,b))  ### 计算每个区的街道的方向熵，并直接储存在GeoDataFrame中print('{}处理完毕'.format(city.loc[i,'NAME']))except Exception as e:print(e)

代码中的try和except可以去掉，笔者的电脑不知道有什么问题，总是在循环跑到50%的地方程序死掉，然后直接重启，现在依旧如此，解决办法就是把数据多添加周围的一些区县，增大循环的次数，把需要的部分留到50%之前。

然后只需要run module就可以等待着下载数据了，下载时间视网络情况来定。

接下来就准备出图吧。

可视化

上代码。

city_district_entropy = city.loc[:,['NAME','方向熵']]  ### 提取街道名称与方向熵字段city_district_entropy.columns = ['district','方向熵']  ### 为了与路网数据的GeoDataFrame统一，改一下表的名字，将街道名称字段的列名从NAME改为district，方便下面进行连接city_road = pd.merge(city_road,city_district_entropy,on='district',how='outer')  ### 根据district字段进行连接city_bounds = [102.949, 30.052, 104.847, 31.489 ]base = city.plot(figsize=(10,10),facecolor='none',edgecolor='black',lw=0.6)  #### 开始绘图，先设置行政区作为底图city_road.plot(ax=base,column='方向熵',lw=0.4,legend=True,legend_kwds={'shrink':0.7,'label':'Entropy'})  ### 然后在底图上绘制路网地图，并以每条道路所在区的方向熵大小为路网赋予颜色（cmap操作）for i in city.index:  ### 标记方向熵大于75%分位数的区的名称if city.loc[i,'方向熵'] >= city['方向熵'].quantile(0.75):plt.text(city.loc[i,'geometry'].centroid.x,city.loc[i,'geometry'].centroid.y,city.loc[i,'NAME'],fontdict={'family':'SimHei','size':10},horizontalalignment='center',verticalalignment='center')plot_map(plt,city_bounds,zoom=14,style=4)  ### 调用plot_map添加osm的底图base.axis('off')  ### 关闭坐标轴，更好看plt.savefig('city_entropy_plot.jpg',dpi=100,bbox_inches='tight')plt.show()

结果。

再来一个。

fig, axes = plt.subplots(2,5, figsize=(20,20),subplot_kw={'projection':'polar'})fig.tight_layout(h_pad=5)for i in range(2):for x in range(5):polar_plot(axes[i][x],city_orientation_count[i*2+x])axes[i][x].set_title(city.loc[i*5+x,'NAME'],fontdict={'family':'SimHei','weight':'heavy','size':18})plt.savefig('city_street_orientation.jpg',dpi=100,bbox_inches='tight')plt.show()

结果。

以上。

参考文章

【城事数说】方向熵：上海与重庆的道路方向与混乱程度

用Python实现城市方向熵的计算相关推荐

python的就业方向和前景-2020年Python就业方向、就业前景分析
Python 主要应用场景.适用行业有哪些?薪资是多少?今天我们来为你详细剖析一下. 1.Python的具体开发领域常规软件开发 Python支持函数式编程和OOP面向对象编程,能够承担任何种类软件的 ...
python就业方向及工资-Python的就业方向有哪些？
原标题:Python的就业方向有哪些? Python的具体开发领域 1.常规软件开发 Python支持函数式编程和OOP面向对象编程,能够承担任何种类软件的开发工作,因此常规的软件开发.脚本编写.网络 ...
python就业方向有哪些-Python的就业方向有哪些？薪资都是多少？
Python,是一种面向对象的解释型计算机程序设计语言,由荷兰人Guidovan Rossum于1989年发明,第一个公开发行版发行于1991年. Python是纯粹的自由软件,源代码和解释器CPyt ...
python主要用于什么-python主要用于哪些方向
Python的应用范围广,无论是web开发,还是数据抓取,运维测试,都可以用它来实现,下面来具体看一下: Web应用开发 Python经常被用于Web开发.比如,通过mod_wsgi模块,Apache ...
python语言设计学习方向_学好Python开发就业方向有哪些？
原标题:学好Python开发就业方向有哪些? 近年来,Python市场火爆,从业人员薪资不断增加,选择学Python的人也在逐年增多.然而,很多人学Python只是盲目的跟随潮流,对于Python却不 ...
python场景应用方向_python的应用场景及学习方向
Python特点 1.Python使用C语言开发,但是Python不再有C语言中的指针等复杂的数据类型. 2.Python具有很强的面向对象特性,而且简化了面向对象的实现.它消除了保护类型.抽象类.接 ...
python主要用于做什么-python主要用于哪些方向
Python的应用范围广,无论是web开发,还是数据抓取,运维测试,都可以用它来实现,下面来具体看一下: Web应用开发 Python经常被用于Web开发.比如,通过mod_wsgi模块,Apache ...
python就业方向-为什么这么多人喜欢Python？Python的就业方向是什么？
原标题:为什么这么多人喜欢Python?Python的就业方向是什么? Python已经成为编程届第一大语言.为什么这么多人喜欢Python?今天我们就来从一位前辈的经历中管中窥豹.另外,关心就业的小 ...
用python在excel中做批量计算（包括单元格为空值时的处理情况）
现有如下某城市的2000-2017年人口和GDP数据的excel文件,需要计算其中人均GDP这一列的指标结果. 虽然这个工作在excel中直接下拉公式即可完成,但如果有50个城市的该种数据,显然下拉公 ...

用Python实现城市方向熵的计算

引言

安装osmnx

行政区划数据准备

OSM数据的获取

可视化

参考文章

用Python实现城市方向熵的计算相关推荐

最新文章

热门文章