这篇文章主要介绍了 GeoPandas如何实现坐标参考系统，具有一定借鉴价值，感兴趣的朋友可以参考下，希望大家阅读完这篇文章之后大有收获，下面让小编带着大家一起了解一下。
源代码请看此处
%matplotlib inline import pandas as pd import geopandas
countries = geopandas.read_file("zip://data/ne_110m_admin_0_countries.zip")
cities = geopandas.read_file("zip://data/ne_110m_populated_places.zip")
rivers = geopandas.read_file("zip://data/ne_50m_rivers_lake_centerlines.zip")到目前为止，我们已经使用了具有特定坐标的几何数据，而没有进一步想知道这些坐标是什么意思或者它们是如何表达的
**坐标参考系统(CRS)**将坐标与地球上的特定位置相关联
有关坐标参考系统的详细解释：https://docs.qgis.org/2.8/en/docs/gentle_gis_introduction/coordinate_reference_systems.html
即经纬度
例如 48°51′N, 2°17′E
最常见的坐标类型是地理坐标，纬度和经度来定义地球上相对于赤道和本初子午线的位置
有了这个坐标系统，我们可以很容易地指定地球上的任何位置，例如在全球定位系统中，如果在谷歌地图上查看一个位置的坐标，会看到纬度和经度
注意 Python中的使用(纬度，经度)(lon,lat)表示地理坐标
Longitude: [-180, 180]
Latitude: [-90, 90]
(x,y)坐标通常以米或英尺为单位
虽然地球是一个球体，但实际上我们通常在一个平面上表示它，如生活中的地图，或者我们用Python在电脑屏幕上制作的地图
从立体地球到平面地图就是我们所说的投影
<table><tr> <td> <img src="img/projection.png"/> </td> </tr></table>
我们把地球的表面投影到2D平面上，这样我们就可以在平面上用笛卡尔的x和y坐标表示位置。在这个平面上，我们通常使用长度单位，如米，而不是度，这使得分析更加方便和有效
然而，有一点很重要：三维地球永远不可能完美地呈现在二维地图上，所以投影不可避免地会引入失真。为了最大限度地减少这种错误，有不同的投影方法，每种方法都有特定的优点和缺点
一些投影系统将试图保持几何图形的面积大小，如艾伯斯等面积投影（Albers Equal Area）。其他投影系统试图保留角度，如墨卡托投影，但会看到该地区的大变形。每个投影系统总会有一些面积、角度或距离的失真
<table><tr> <td> <img src="img/projections-AlbersEqualArea.png"/>AlbersEqualArea </td> <td> <img src="img/projections-Mercator.png"/>Mercator </td> </tr> <tr> <td> <img src="img/projections-Robinson.png"/>Robinson </td> </tr></table>
投影尺寸与实际尺寸的比较 <table><tr> <td> <img src="https://github.com/jorisvandenbossche/geopandas-tutorial/blob/master/img/mercator_projection_area.gif?raw=true"/> </td> </tr></table>
GeoDataFrame或GeoSeries具有一个.crs属性，该属性保存(可选)几何坐标参考系统的描述:
countries.crs
<Geographic 2D CRS: EPSG:4326> Name: WGS 84 Axis Info [ellipsoidal]: - Lat[north]: Geodetic latitude (degree) - Lon[east]: Geodetic longitude (degree) Area of Use: - name: World - bounds: (-180.0, -90.0, 180.0, 90.0) Datum: World Geodetic System 1984 - Ellipsoid: WGS 84 - Prime Meridian: Greenwich
可以看出，对于countries数据框，使用的是EPSG 4326 / WGS84 lon/lat参考系统，这是地理坐标系中最常用的系统之一
它使用坐标作为纬度和经度的度数，从图上的x/y标签可以看出:
countries.plot()
<matplotlib.axes._subplots.AxesSubplot at 0x7f32e0b0c208>
.crs属性的返回值是字典类型，在这种情况下，它只指示EPSG代码，但它也可以包含完整的proj4字符串(以字典的形式)
可能的CRS表达：
proj4字符串<br> 例如：+proj=longlat +datum=WGS84 +no_defs或者{'proj': 'longlat', 'datum': 'WGS84', 'no_defs': True}
EPSG 代码<br> 例如：EPSG:4326 = WGS84地理坐标系(longitude, latitude)
富文本（Well-Know-Text，WKT）表示（在下一个GeoPandas版本中，PROJ6提供了更好的支持）<br> 例如：https://epsg.io/4326
在后端，GeoPandas使用pyproj/PROJ库来处理重投影
更多信息：http://geopandas.readthedocs.io/en/latest/projections.html
在GeoDataFrame中，使用to_crs函数进行坐标系统的转换
例如，将countries转换城墨卡托投影(http://epsg.io/3395):
# 因为墨卡托投影无法处理两极，因此移除南极 countries=countries[(countries['name']!="Antarctica")]
countries_mercator=countries.to_crs(epsg=3395)# 或者使用 .to_crs({'init': 'epsg:3395'})countries_mercator.plot()
<matplotlib.axes._subplots.AxesSubplot at 0x7f32de80f208>
注意比较此处的x和y轴刻度与地理坐标系中投影的区别
具有不同CRS的不同源数据->需要转换到相同的CRS下
df1 = geopandas.read_file(...) df2 = geopandas.read_file(...) df2 = df2.to_crs(df1.crs)
地图映射(由于形状和距离的扭曲)
基于距离/面积的计算->确保使用适当的投影坐标系，以有意义的单位表示，如米或英尺(而不是度)
<div class="alert alert-info" >
注意:
所有发生在地表上的计算都假设数据是在2D笛卡尔平面上，因此这些计算的结果只有在数据被正确投影的情况下才是正确的
</div>
再次使用巴黎数据集，到目前为止，我们为练习提供了一个合适的投影CRS中的数据集
但是原始数据实际上是地理坐标
在下面的练习中，我们将从原始数据开始
原始数据集，现在以地理坐标系的GeoJSON("data/paris_districts.geojson")文件提供
为了转换为投影坐标，我们将使用法国的标准投影坐标系统，即RGF93 / Lambert-93参考系，参考号为EPSG:2154(比利时为 Lambert 72，EPSG为31370)。
将地区数据集("data/paris_districts.geojson")读入名为districts的GeoDataFrame中
查看districts的CRS属性
对districts数据集进行简单绘图
计算所有地区的面积
将districts进行投影(法国使用EPSG:2154)，将新数据集称为districts_RGF93
绘制一个类似的districts_RGF93图
对districts_RGF93再次计算所有区的面积(结果现在用m²表示)
districts=geopandas.read_file("data/paris_districts.geojson")districts.crs
<Geographic 2D CRS: EPSG:4326> Name: WGS 84 Axis Info [ellipsoidal]: - Lat[north]: Geodetic latitude (degree) - Lon[east]: Geodetic longitude (degree) Area of Use: - name: World - bounds: (-180.0, -90.0, 180.0, 90.0) Datum: World Geodetic System 1984 - Ellipsoid: WGS 84 - Prime Meridian: Greenwich
districts.plot(figsize=(12,6))
<matplotlib.axes._subplots.AxesSubplot at 0x7f32de177cc0>
districts.geometry.area
0 0.000107 1 0.000051 2 0.000034 3 0.000033 4 0.000023 ... 75 0.000159 76 0.000099 77 0.000182 78 0.000196 79 0.000256 Length: 80, dtype: float64
districts_RGF93=districts.to_crs(epsg=2154)
districts_RGF93.plot(figsize=(12,6))
<matplotlib.axes._subplots.AxesSubplot at 0x7f32ddeebb70>
districts_RGF93.geometry.area
0 8.690007e+05 1 4.124585e+05 2 2.736968e+05 3 2.694568e+05 4 1.880122e+05 ... 75 1.294988e+06 76 8.065686e+05 77 1.486971e+06 78 1.599002e+06 79 2.090904e+06 Length: 80, dtype: float64
可以看到在不同坐标系统下同一地区的面积值不同
在01-地理数据介绍中，我们做了一个练习，绘制了巴黎自行车站的位置，并使用contextily包为其添加了背景地图
contextily”假设数据坐标系统为网络墨卡托投影(Web Mercator projection)中，这是大多数网络地图服务使用的系统。在第一个练习中，我们在适当的CRS中提供了数据，所以不需要关心这个方面
但是，通常情况下，数据的参考坐标系不会是网络墨卡托投影(Web Mercator projection)，因此我们必须自己将它们与网络背景图进行对齐
将自行车站数据集(data/paris_bike_stations.geojson)读入名为stations的GeoDataFrame
将stations数据集转换为网络墨卡托投影(EPSG:3857)命名为stations_webmercator
绘制该投影数据集地图图(指定标记大小为5)，并使用contextily添加背景地图
stations=geopandas.read_file('data/paris_bike_stations.geojson')stations_webmercator=stations.to_crs(epsg=3857)
stations_webmercator.head()
<div> <style scoped> .dataframe tbody tr th:only-of-type { vertical-align: middle; }
.dataframe tbody tr th {
vertical-align: top;
}
.dataframe thead th {
text-align: right;
}</style> <table border="1" class="dataframe"> <thead> <tr > <th></th> <th>name</th> <th>bike_stands</th> <th>available_bikes</th> <th>geometry</th> </tr> </thead> <tbody> <tr> <th>0</th> <td>14002 - RASPAIL QUINET</td> <td>44</td> <td>4</td> <td>POINT (259324.887 6247620.771)</td> </tr> <tr> <th>1</th> <td>20503 - COURS DE VINCENNES PYRÉNÉES</td> <td>21</td> <td>3</td> <td>POINT (267824.377 6249062.894)</td> </tr> <tr> <th>2</th> <td>20011 - PYRÉNÉES-DAGORNO</td> <td>21</td> <td>0</td> <td>POINT (267742.135 6250378.469)</td> </tr> <tr> <th>3</th> <td>31008 - VINCENNES (MONTREUIL)</td> <td>56</td> <td>0</td> <td>POINT (271326.638 6250750.824)</td> </tr> <tr> <th>4</th> <td>43006 - MINIMES (VINCENNES)</td> <td>28</td> <td>27</td> <td>POINT (270594.689 6248007.705)</td> </tr> </tbody> </table> </div>
import contextily as ctx ax = stations_webmercator.plot(figsize=(10, 10), markersize=5, alpha=0.5, edgecolor='k') ctx.add_basemap(ax, source=ctx.providers.Stamen.TonerLite)
感谢你能够认真阅读完这篇文章，希望小编分享的“ GeoPandas如何实现坐标参考系统”这篇文章对大家有帮助，同时也希望大家多多支持亿速云，关注亿速云行业资讯频道，更多相关知识等着你来学习!
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。
