Konvertieren Sie einen Pandas-DataFrame in einen GeoDataFrame

Dies scheint eine recht einfache Frage zu sein, aber ich kann nicht herausfinden, wie ein Pandas-DataFrame für eine räumliche Verknüpfung in einen GeoDataFrame konvertiert wird.

Hier ist ein Beispiel für die Verwendung meiner Daten df.head():

    Date/Time           Lat       Lon       ID
0   4/1/2014 0:11:00    40.7690   -73.9549  140
1   4/1/2014 0:17:00    40.7267   -74.0345  NaN

Tatsächlich wurde dieser Datenframe aus einer CSV erstellt. Wenn es also einfacher ist, die CSV direkt als GeoDataFrame einzulesen, ist dies auch in Ordnung.

Konvertieren Sie zuerst den Inhalt des DataFrames (z. B. Latund die LonSpalten) in die entsprechenden Shapely- Geometrien und verwenden Sie sie dann zusammen mit dem ursprünglichen DataFrame, um einen GeoDataFrame zu erstellen.

from geopandas import GeoDataFrame
from shapely.geometry import Point

geometry = [Point(xy) for xy in zip(df.Lon, df.Lat)]
df = df.drop(['Lon', 'Lat'], axis=1)
crs = {'init': 'epsg:4326'}
gdf = GeoDataFrame(df, crs=crs, geometry=geometry)

Ergebnis:

    Date/Time           ID      geometry
0   4/1/2014 0:11:00    140     POINT (-73.95489999999999 40.769)
1   4/1/2014 0:17:00    NaN     POINT (-74.03449999999999 40.7267)

Da die Geometrien häufig im WKT-Format vorliegen, dachte ich, ich würde auch ein Beispiel für diesen Fall hinzufügen:

import geopandas as gpd
import shapely.wkt

geometry = df['wktcolumn'].map(shapely.wkt.loads)
df = df.drop('wktcolumn', axis=1)
crs = {'init': 'epsg:4326'}
gdf = gpd.GeoDataFrame(df, crs=crs, geometry=geometry)

Einzeiler! Plus einige Leistungsindikatoren für Big-Data-Mitarbeiter.

Bei a pandas.DataFramemit x Längen- und y Breitengrad wie folgt:

df.head()
x   y
0   229.617902  -73.133816
1   229.611157  -73.141299
2   229.609825  -73.142795
3   229.607159  -73.145782
4   229.605825  -73.147274

Lassen Sie uns das konvertieren pandas.DataFramein ein geopandas.GeoDataFramewie folgt:

Bibliotheksimporte und formschöne Beschleunigung :

import geopandas as gpd
import shapely
shapely.speedups.enable() # enabled by default from version 1.6.0

Code + Benchmark-Zeiten auf einem Testdatensatz, den ich rumliegen habe:

#Martin's original version:
#%timeit 1.87 s ± 7.03 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
gdf = gpd.GeoDataFrame(df.drop(['x', 'y'], axis=1),
                                crs={'init': 'epsg:4326'},
                                geometry=[shapely.geometry.Point(xy) for xy in zip(df.x, df.y)])



#Pandas apply method
#%timeit 8.59 s ± 60.6 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
gdf = gpd.GeoDataFrame(df.drop(['x', 'y'], axis=1),
                       crs={'init': 'epsg:4326'},
                       geometry=df.apply(lambda row: shapely.geometry.Point((row.x, row.y)), axis=1))

Die Verwendung pandas.applyist überraschend langsam, passt jedoch möglicherweise besser zu einigen anderen Workflows (z. B. bei größeren Datensätzen mit der Dask-Bibliothek):

Anerkennung an:

• Shapefile aus Pandas Datenrahmen erstellen? (für die Pandas gelten Methode)
• Beschleunigen Sie den zeilenweisen Punkt im Polygon mit Geopandas (für den Beschleunigungstipp).

Einige Work-In-Progress-Referenzen (Stand 2017) zum Umgang mit großen daskDatenmengen:

• http://matthewrocklin.com/blog/work/2017/09/21/accelerating-geopandas-1
• https://github.com/geopandas/geopandas/issues/461
• https://github.com/mrocklin/dask-geopandas