Python 解析json文件使用Plotly绘制地理散点图

0、任务说明

1、解析json文件

2、使用Plotly绘制地理散点图

2.1 函数scatter_geo介绍

2.2 官方示例

3、根据json文件数据，准备绘制地理散点图的‘数据结构’

4、完整代码及运行效果

0、任务说明

json文件中存放了关于地震的地理信息。

使用plotly模块绘制地理散点图。

在世界地图上：

1）标识地震位置；

2）用标识的大小表示地震烈度；

3）当鼠标悬停在标识上时，显示详细地震信息；

4）通过拖拽可以滚动查看地图信息；

5）可以放大缩小地图查看信息。

最终将绘制完成结果保存为html文件

1、解析json文件

使用json模块。

要打开的json文件放在执行程序所在目录中的data文件夹下。

使用json.dump(all_eq_data,f,indent=4)语句，改变json的格式，用记事本打开时如下所示，更易查看。

{"type": "FeatureCollection","metadata": {"generated": 1550361461000,"url": "https://earthquake.usgs.gov/earthquakes/feed/v1.0/summary/1.0_day.geojson","title": "USGS Magnitude 1.0+ Earthquakes, Past Day","status": 200,"api": "1.7.0","count": 158},"features": [{"type": "Feature","properties": {"mag": 0.96,"place": "8km NE of Aguanga, CA","time": 1550360775470,"updated": 1550360993593,"tz": -480,"url": "https://earthquake.usgs.gov/earthquakes/eventpage/ci37532978","detail": "https://earthquake.usgs.gov/earthquakes/feed/v1.0/detail/ci37532978.geojson","felt": null,"cdi": null,"mmi": null,"alert": null,"status": "automatic","tsunami": 0,"sig": 14,"net": "ci","code": "37532978","ids": ",ci37532978,","sources": ",ci,","types": ",geoserve,nearby-cities,origin,phase-data,","nst": 32,"dmin": 0.02648,"rms": 0.15,"gap": 37,"magType": "ml","type": "earthquake","title": "M 1.0 - 8km NE of Aguanga, CA"},"geometry": {"type": "Point","coordinates": [-116.7941667,33.4863333,3.22]},"id": "ci37532978"},

语句all_eq_dicts = all_eq_data['features']，将json文件中‘features’下的所有元素，放在all_eq_dicts中。

语句mags = [eq_dict['properties']['mag'] for eq_dict in all_eq_dicts]，将每个元素中‘properties’下的‘mag’值存在列表mags中。这里使用了列表解析。

import jsonfilename = 'data/eq_data_1_day_m1.json'
with open(filename) as f:all_eq_data = json.load(f)readable_file = 'data/readable_eq_data.json'#重写json文件，使其便于阅读
with open(readable_file,'w') as f:json.dump(all_eq_data,f,indent=4)all_eq_dicts = all_eq_data['features']mags = [eq_dict['properties']['mag'] for eq_dict in all_eq_dicts]
titles = [eq_dict['properties']['title'] for eq_dict in all_eq_dicts]
longitudes = [eq_dict['geometry']['coordinates'][0] for eq_dict in all_eq_dicts]
latitudes = [eq_dict['geometry']['coordinates'][1] for eq_dict in all_eq_dicts]

2、使用Plotly绘制地理散点图

2.1 函数scatter_geo介绍

Plotly Express 中的 scatter_geo 函数是用于创建地理散点图的函数。它允许用户轻松地在地图上绘制数据点，每个数据点表示一个地理位置，并且可以根据数据中的某些属性来自定义数据点的颜色、大小等。

该函数的基本语法如下：

px.scatter_geo(data_frame, lat=None, lon=None, locations=None, locationmode=None, color=None, size=None, hover_name=None, hover_data=None, projection=None, animation_frame=None, title=None, template=None, width=None, height=None)

其中，主要参数包括（data_frame必须输入，其余根据需要选择使用）：

data_frame: 包含数据的 DataFrame 对象。
lat 和 lon: 分别指定纬度和经度数据所在的列名。
locations: 指定用于标识地理位置的列名。
color 和 size: 分别指定数据点的颜色和大小所对应的列名。
hover_name 和 hover_data: 分别指定悬停时显示的标签和其他数据。
projection: 指定地图投影的类型，如 "equirectangular"、"mercator" 等。
animation_frame: 如果要创建动画效果，可以指定用于动画的时间序列数据所在的列名。
title: 图表的标题。
template: 图表的模板。
width 和 height: 图表的宽度和高度。

2.2 官方示例

import plotly.express as px'''
px.data.gapminder() 是 Plotly Express 提供的一个函数，
用于加载示例数据集 "gapminder"。
这个数据集包含了关于世界各国在不同年份的人口、GDP 等数据。
.query("year == 2007") 是 Pandas 数据框（DataFrame）对象的一个方法，
用于查询符合特定条件的数据。在这里，它筛选出年份为 2007 年的数据。
'''
df = px.data.gapminder().query("year == 2007")'''
基于给定的数据集 df，创建一个地理散点图，
其中每个点表示一个国家，其位置由 ISO 3166-1 #alpha-3 代码指定，
点的大小表示该国的人口数量。
'''
fig = px.scatter_geo(df, locations="iso_alpha",size="pop", # size of markers, "pop" is one of the columns of gapminder)fig.update_layout(margin={"r":0,"t":0,"l":0,"b":0})fig.show()

运行结果：

3、根据json文件数据，准备绘制地理散点图的‘数据结构’

根据第一部分的说明，解析后的json数据是放在四个列表中的，此时这四个列表必须构成DataFrame对象，才能被scatter_geo 函数使用，具体方法如下：

import pandas as pdmags = [eq_dict['properties']['mag'] for eq_dict in all_eq_dicts]
titles = [eq_dict['properties']['title'] for eq_dict in all_eq_dicts]
longitudes = [eq_dict['geometry']['coordinates'][0] for eq_dict in all_eq_dicts]
latitudes = [eq_dict['geometry']['coordinates'][1] for eq_dict in all_eq_dicts]#根据以上数据创建‘字典’
data = {'mags':mags,'titles':titles,'longitudes':longitudes,'latitudes':latitudes}
# 使用字典创建 DataFrame
df = pd.DataFrame(data)

以上数据中，

mags是地震烈度，决定地图上标志点大小；

titles是地震信息，鼠标悬停在标志点上时显示；

longitudes是经度，决定标志点在地图上的位置；

latitudes是纬度。

4、完整代码及运行效果

import json
import plotly.express as px
import pandas as pd#准备数据
filename = 'data/eq_data_1_day_m1.json'
with open(filename) as f:all_eq_data = json.load(f)all_eq_dicts = all_eq_data['features']mags = [eq_dict['properties']['mag'] for eq_dict in all_eq_dicts]
titles = [eq_dict['properties']['title'] for eq_dict in all_eq_dicts]
longitudes = [eq_dict['geometry']['coordinates'][0] for eq_dict in all_eq_dicts]
latitudes = [eq_dict['geometry']['coordinates'][1] for eq_dict in all_eq_dicts]#根据以上数据创建‘字典’
data = {'mags':mags,'titles':titles,'longitudes':longitudes,'latitudes':latitudes}
# 使用字典创建 DataFrame
df = pd.DataFrame(data)
fig = px.scatter_geo(df,lat='latitudes',lon='longitudes',size='mags',hover_name='titles')fig.update_layout(margin={"r": 0, "t": 0, "l": 0, "b": 0})fig.write_html('global_earthquakes.html')
fig.show()