Python空间分析简明教程

数据世界是一个活生生的、会呼吸的事物。当一个城市的犯罪率上升时，这是因为现实世界中有人在某个地方犯罪。有警察局、住宅区和商业区、人口密度以及可以与位置相关联的人的地方。所有这些东西都存在于数据框和表格之外的世界中。空间分析使数据科学家能够回答复杂的、面向位置的问题，这些问题涉及世界上不同规模正在发生的事情，从而为决策提供信息。

NSDT工具推荐： Three.js AI纹理开发包 - YOLO合成数据生成器 - GLTF/GLB在线编辑 - 3D模型格式在线转换 - 可编程3D场景编辑器 - REVIT导出3D模型插件 - 3D模型语义搜索引擎 - Three.js虚拟轴心开发包 - 3D模型在线减面 - STL模型在线切割

1、什么是 PySAL

PySAL 是一个包含各种 Python 空间分析工具的开源库。 PySAL 源自空间综合社会科学工具中心项目、美国国家科学基金会项目以及 UIUC 和 SDSU 研究小组的努力 (Rey & Anselin 2007)。与 STARS 和 GeoDA/PySpace 一样，它是 Python 语言中现有的极少数空间分析包之一。

PySAL 包含许多组件，分为两类：数据分析功能以及 ESDA 和建模功能。两者中的前者处理各种类型的常见空间数据文件格式的文件 I/O，并提供总结空间模式、权重和地图代数的逻辑。后者提供了用于建模空间现象的复杂工具。

PySAL 组件

2、添加空间组件

在一般统计中，我们可以使用数据来测试集合的变化或差异，无论这些集合是从加工厂出来的棒棒糖的大小与预期大小的比较，还是当地沃尔玛土豆的平均重量与其他土豆的平均重量的比较。天然杂货店土豆的平均重量。通过空间分析，我们可以从特定区域、从城市到全球的所有沃尔玛获取有关土豆的信息，并探索土豆大小在多大程度上与空间相关。

虽然这个例子可能有点做作，但同样的逻辑也适用于探索人口统计等动态系统和住房等市场的经济增长：

华盛顿特区的不透水地面覆盖物红色区域具有最高的不透水表面特征。

PySAL 包含时空模块，可用于分析上图所示的数据。这里我们有来自不同时间的陆地卫星图像，测量不渗透表面的面积和强度。借此，我们可以研究水库补给、洪水的可能性、城市热岛效应以及城市扩张带来的更多问题——这是许多城市目前面临的问题。

3、Tobler集成

PySAL 与许多工具集成，每个工具都值得拥有自己的条目。在本博客中，我们将简要讨论Tobler，一个面积插值和 dasymetric 绘图工具。在这里，我们将了解Tobler的六角网格生成模块 - 或空间分箱模块。Tobler的六角网格的作用是通过空间参考聚合给定的参数。简而言之，它将你想要查看的给定区域中的所有内容放在一起，形成该区域的摘要。

使用 Tabler 的六角网格工具，我们可以获取具有空间参数的人口统计数据，并在六角网格中对它们进行空间总结。像这样的六边形非常适合分析路径和连接性，并且最适合最近邻分析。除了分析之外，你可能出于多种原因想要使用网格来模糊数据。空间数据来自真实的地方，有时这些真实的地方有你可能想要保护的敏感组件或私人所有者。通过将数据汇总成大六边形，你可以有效地加密数据的底层细节。

你还可以使用此类六角形箱将数据插入到六角形内的不同汇总统计数据中，例如中值或标准差。此处，人口普查中位数是按六角形面积计算的。