您好,登录后才能下订单哦!
密码登录
登录注册
点击 登录注册 即表示同意《亿速云用户服务条款》
本篇内容介绍了“利用Python计算空间局部自相关的方法”的有关知识,在实际案例的操作过程中,不少人都会遇到这样的困境,接下来就让小编带领大家学习一下如何处理这些情况吧!希望大家仔细阅读,能够学有所成!
import esda import numpy as np import pandas as pd import libpysal as lps import geopandas as gpd import contextily as ctx import matplotlib.pyplot as plt from geopandas import GeoDataFrame from shapely.geometry import Point from pylab import figure, scatter, show from splot.esda import moran_scatterplot from esda.moran import Moran_Local from splot.esda import plot_moran from splot.esda import lisa_cluster from splot.esda import plot_local_autocorrelation %matplotlib inline
root_dir="/home/lighthouse/Learning/pysal/"
gdf = gpd.read_file(root_dir+'data/.shp') # 读取数据
gdf.columns.values #字段名
array(['CODE', 'COUNT', 'SUM_AREA', 'FIRST_ANAM', 'OID_', 'CODE_1', 'DATAFLAG', 'TOTPOP', 'TOTPOP_10K', 'RURPOP_10K', 'TOWNPOP_10', 'AGRPRODUCT', 'AGRLBR_10K', 'AGRSTOTGDP', 'FSTGDPRATE', 'SCNDGDPRAT', 'THRDGDPRAT', 'Province', 'geometry'], dtype=object)
gdf.head(1)
第一产业占GDP比重FSTGDPRATE
为变量
ax=gdf.plot(figsize=(8,8),column="FSTGDPRATE",scheme='Quantiles', k=5, cmap='GnBu', legend=True,) ax.set_axis_off()
pysal中的局部自相关计算中,要求权重矩阵的每一个元素都有邻接元素
y = gdf['FSTGDPRATE'].values w = lps.weights.distance.Kernel.from_dataframe(gdf, fixed=False, k=15) w.transform = 'r'
Local Moral 计算
moran_loc = Moran_Local(y, w)
Local Moral 散点图
fig, ax = moran_scatterplot(moran_loc, p=0.05) ax.set_xlabel('FSTGDPRATE') ax.set_ylabel('Spatial Lag of FSTGDPRATE') plt.show()
聚集区的空间分布
lisa_cluster(moran_loc, gdf, p=0.05, figsize = (9,9)) plt.show()
根据上图结果可以看出,图中西部为高值聚集区,东部为低值聚集区。高值聚集区的第一产业产值占比比较高,而低值聚集区的第一产业产值占比比较低,这可以反映出区域的经济发展水平的空间异质性,区域发展不均衡。
绘制结果组合图
plot_local_autocorrelation(moran_loc, gdf, 'FSTGDPRATE') plt.show()
“利用Python计算空间局部自相关的方法”的内容就介绍到这里了,感谢大家的阅读。如果想了解更多行业相关的知识可以关注亿速云网站,小编将为大家输出更多高质量的实用文章!
免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。