Visualisation des données par préfecture

Qu'est-ce que c'est

J'ai créé une bibliothèque (japanmap) pour ** Python3 ** qui code en couleur les cartes du Japon par préfecture, je vais donc la présenter. L'exemple d'exécution est confirmé sur le Jupyter Notebook.

Installation

Vous pouvez le faire avec pip. numpy [^ 1], OpenCV et Pillow sont également installés. xlrd est utilisé pour lire les fichiers Excel.

bash


pip install -U japanmap jupyter matplotlib pandas xlrd

Qu'est-ce qu'un code de préfecture?

Code de préfecture (ci-après abrégé en code de préfecture) est 01 pour chaque préfecture spécifiée par JIS X 0401. À partir de 47 codes. Le programme le traite comme un entier (en ignorant le 0).

Confirmation du nom de la préfecture

Vous pouvez trouver le nom de la préfecture pour chaque code de préfecture avec pref_names.

python3


from japanmap import pref_names
pref_names[1]
>>>
'Hokkaido'

Vous pouvez trouver le code de préfecture pour le nom de la préfecture avec pref_code.

python3


from japanmap import pref_code
pref_code('Kyoto'), pref_code('Kyoto府')
>>>
(26, 26)

Vous pouvez trouver le code de préfecture pour chacune des huit divisions régionales en groupes.

python3


from japanmap import groups
groups['Kanto']
>>>
[8, 9, 10, 11, 12, 13, 14]

Carte blanche

Vous pouvez obtenir une carte blanche (données raster) avec une image.

python3


%config InlineBackend.figure_formats = {'png', 'retina'}
%matplotlib inline
import matplotlib.pyplot as plt
from japanmap import picture
plt.rcParams['figure.figsize'] = 6, 6
plt.imshow(picture());

image.png

Vous pouvez également peindre la préfecture avec de la couleur.

python3


plt.imshow(picture({'Hokkaido': 'blue'}));

image.png

Enregistrer dans un fichier PNG

Vous pouvez l'enregistrer dans un fichier avec savefig.

python3


plt.imshow(picture({'Hokkaido': 'blue'}))
plt.savefig('japan.png')

Informations adjacentes

Avec is_faced2sea, vous pouvez voir si la zone comprenant l'emplacement du bureau fait face à la mer pour le code préfecture.

python3


from japanmap import is_faced2sea
for i in [11, 26]:
    print(pref_names[i], is_faced2sea(i))
>>>
Préfecture de Saitama Faux
Préfecture de Kyoto Vrai

Avec is_sandwiched2sea, vous pouvez voir si la zone comprenant l'emplacement du bureau est prise en sandwich entre la mer pour le code de préfecture. (Y a-t-il deux plages non continues ou plus?)

python3


from japanmap import is_sandwiched2sea
for i in [2, 28]:
    print(pref_names[i], is_sandwiched2sea(i))
>>>
Préfecture d'Aomori Faux
Préfecture de Hyogo Vrai

Adjacent montre le code de préfecture où la zone comprenant l'emplacement de l'agence est adjacente au code de préfecture.

python3


from japanmap import adjacent
for i in [2, 20]:
    print(pref_names[i], ':', ' '.join([pref_names[j] for j in adjacent(i)]))
>>>
Préfecture d'Aomori:Préfecture d'Iwate Préfecture d'Akita
Préfecture de Nagano:Préfecture de Gunma Préfecture de Saitama Préfecture de Niigata Préfecture de Toyama Préfecture de Yamanashi Préfecture de Gifu Préfecture de Shizuoka Préfecture d'Aichi

Données vectorielles borderline

Vous pouvez obtenir la liste de points et la liste d'index de points de chaque préfecture avec get_data. Vous pouvez l'utiliser pour obtenir une liste des limites de préfecture (liste d'index) avec pref_points.

python3


from japanmap import get_data, pref_points
qpqo = get_data()
pnts = pref_points(qpqo)
pnts[0]  #Coordonnées de la limite de Hokkaido(Longitude latitude)liste
>>>
[[140.47133887410146, 43.08302992960164],
 [140.43751046098984, 43.13755540826223],
 [140.3625317793531, 43.18162745988813],
...

Vous pouvez visualiser les données de bordure avec pref_map.

python3


from japanmap import pref_map
svg = pref_map(range(1,48), qpqo=qpqo, width=2.5)
svg

image

Enregistrer dans un fichier SVG

pref_map est au format SVG. Vous pouvez l'enregistrer dans un fichier comme suit.

python3


with open('japan.svg', 'w') as fp:
    fp.write(svg.data)

Un exemple d'échelle de gris uniquement dans Kanto.

python3


pref_map(groups['Kanto'], cols='gray', qpqo=qpqo, width=2.5)

image

Convertir le ratio de superficie de la préfecture en utilisant les données de la préfecture (population)

Convertissons le ratio de superficie sur la carte par le ratio de population. Données démographiques de "Je vois, Académie des statistiques" du Bureau des statistiques du Ministère de l'intérieur et des communications Appuyez sur "Source Statistics Table" au bas de l'écran en 2017 Téléchargeons le fichier (a00400.xls) de la population [^ 2] par préfecture.

python3


import pandas as pd
df = pd.read_excel('a00400.xls', usecols=[9, 12, 13, 14], skiprows=18, skipfooter=3,
                   names='Hommes et femmes de la préfecture total hommes et femmes'.split()).set_index('Préfectures')
df[:3]
Total sexe Homme femme
Préfectures
Hokkaido 5320 2506 2814
Préfecture d'Aomori 1278 600 678
Préfecture d'Iwate 1255 604 651

Présentons-les par ordre décroissant du ratio de population. Le ratio de Tokyo à «5,09» est 5,09 fois la moyenne de la préfecture.

python3


df['rapport'] = df.Total sexe/ df.Total sexe.mean()
df.sort_values('rapport', ascending=False)[:10]
Total sexe Homme femme rapport
Préfectures
Tokyo 13724 6760 6964 5.090665
Préfecture de Kanagawa 9159 4569 4590 3.397362
Préfecture d'Osaka 8823 4241 4583 3.272729
Préfecture d'Aichi 7525 3764 3761 2.791260
Saitama 7310 3648 3662 2.711510
Préfecture de Chiba 6246 3103 3143 2.316839
Préfecture de Hyogo 5503 2624 2879 2.041237
Hokkaido 5320 2506 2814 1.973356
Préfecture de Fukuoka 5107 2415 2692 1.894348
Préfecture de Shizuoka 3675 1810 1866 1.363174

Visualisons-le. Vous pouvez convertir la superficie de la préfecture au ratio spécifié avec trans_area. Par exemple, si le ratio de conversion pour chaque préfecture est «[2, 1, 1, 1, ...]», Hokkaido aura deux fois la superficie d'origine et les autres préfectures auront le même ratio que la zone d'origine.

Dans ce qui suit, si la population est deux fois la moyenne, la superficie sera doublée.

python3


from japanmap import trans_area
qpqo = get_data(True, True, True)
pref_map(range(1,48), qpqo=trans_area(df.Total sexe, qpqo), width=2.5)

image

J'ai essayé de le rendre rugueux et de réduire au maximum la distorsion, mais c'est assez grave.

Visualisez la population sur une carte blanche

En procédant comme suit, vous pouvez visualiser la préfecture avec une grande population en rouge foncé.

python3


cmap = plt.get_cmap('Reds')
norm = plt.Normalize(vmin=df.Total sexe.min(), vmax=df.Total sexe.max())
fcol = lambda x: '#' + bytes(cmap(norm(x), bytes=True)[:3]).hex()
plt.colorbar(plt.cm.ScalarMappable(norm, cmap))
plt.imshow(picture(df.Total sexe.apply(fcol)));

image.png

Problème de 4 couleurs

Résolvez le problème de 4 couleurs en utilisant les informations de contiguïté Allons-y.

Peignons tout le Japon avec 4 couleurs pour qu'une préfecture soit une couleur et les préfectures voisines soient différentes. Le problème de l'attribution de différentes couleurs aux objets adjacents de cette manière est appelé le problème de la coloration des sommets. Le problème de coloration des sommets est un problème d'affectation de couleurs aux sommets avec le nombre minimum de couleurs afin que les sommets adjacents sur le graphique aient des couleurs différentes. En tant qu'application de ceci, par exemple, il y a un problème de détermination de la fréquence pour chaque station de base d'un téléphone mobile. (Différentes couleurs → différentes fréquences → vous pouvez parler car les ondes radio n'interfèrent pas)

area.png

Résolvez le problème des 4 couleurs

Il a été prouvé mathématiquement que quelle que soit la carte du plan, les zones adjacentes sont différentes et les couleurs sont toujours dans les 4 couleurs. Cependant, il n'est pas évident de les peindre séparément. Ici, résolvons l'optimisation mathématique.

L'optimisation mathématique est utilisée pour résoudre des choses telles que la minimisation des coûts, mais elle peut également résoudre des problèmes avec des contraintes sans fonction objective. Pour le package PuLP utilisé pour l'optimisation mathématique, voir Python dans l'optimisation.

table.png

Pour exécuter, vous avez besoin de PuLP et ortoolpy supplémentaires (pip install pulp ortoolpy).

python3


import pandas as pd
from ortoolpy import model_min, addbinvars, addvals
from pulp import lpSum
from japanmap import pref_names, adjacent, pref_map
m = model_min()  #Modèle mathématique(1)
df = pd.DataFrame([(i, pref_names[i], j) for i in range(1, 48) for j in range(4)], 
                  columns=['Code', 'Préfecture', 'Couleur'])
addbinvars(df)  #Table variable(2)
for i in range(1, 48):
    m += lpSum(df[df.Code == i].Var) == 1  #1 préfecture 1 couleur(3)
    for j in adjacent(i):
        for k in range(4):  #Différentes couleurs pour les préfectures voisines(4)
            m += lpSum(df.query('Code.isin([@i, @j])et couleur== @k').Var) <= 1
m.solve()  #Solution(5)
addvals(df)  #Réglage des résultats(6)
Quatre couleurs= ['red', 'blue', 'green', 'yellow']
cols = df[df.Val > 0].Couleur.apply(四Couleur.__getitem__).reset_index(drop=True)
pref_map(range(1, 48), cols=cols, width=2.5)

image

[^ 1]: numpy est une bibliothèque d'algèbre linéaire telle que le calcul matriciel. En tant que logiciel similaire, MATLAB était souvent utilisé. Comme numpy et MATLAB sont sur la même base, il n'y a pas de grande différence de performances. Cependant, bien que MATLAB soit payant, Python et numpy ont l'avantage d'être gratuits. [^ 2]: Tableau 2 Préfectures, population par sexe et rapport de population / population totale, population japonaise (au 1er octobre 2014) (Excel: 41 Ko)

Recommended Posts

Visualisation des données par préfecture
Pré-traitement des données préfectorales
Analyse des données financières par pandas et leur visualisation (2)
Analyse des données financières par pandas et leur visualisation (1)
Comment visualiser les données par variable explicative et variable objective
Visualisation de la matrice créée par numpy
10 sélections d'extraction de données par pandas.DataFrame.query
Animation des géodonnées par geopandas
Impressions de toucher Dash, un outil de visualisation de données réalisé par python
Recommandation d'Altair! Visualisation des données avec Python
Visualisation en temps réel des données thermographiques AMG8833 en Python
Analyse émotionnelle des données de tweet à grande échelle par NLTK
Visualisation du classement des stagiaires de Produce 101 Japan par grattage
Mémo de visualisation par Python
Bibliothèques de visualisation de données Python
Fractionner les données par seuil
Données de formation par CNN
Corrélation par prétraitement des données
Visualisation des données avec les pandas
Sélection des données de mesure
[Python] Tracer les données par préfecture sur une carte (nombre de voitures possédées dans tout le pays)
Détection d'anomalies des données de séries chronologiques par LSTM (Keras)
Vue d'ensemble et astuces de Seaborn avec visualisation de données statistiques
Visualisons les données pluviométriques publiées par la préfecture de Shimane
[Calcul scientifique / technique par Python] Tracé, visualisation, matplotlib de données 2D lues à partir d'un fichier
Différences de prix par préfecture (2019)
Expérience de réglage des données Tensorflow
Grattage des données du bulletin IDWR par nombre de rapports par point fixe de grippe et par préfecture
Classer les données par la méthode k-means
Gzip compresser les données en streaming
Calcul de similitude par MinHash
Application Python: visualisation de données, partie 2: matplotlib
Méthode de visualisation de données utilisant matplotlib (1)
Jugement négatif / positif des phrases et visualisation des motifs par Transformer
Transformée de Fourier des données brutes
Données acquises par Django reliées
Estimation moyenne des données plafonnées
Méthode de visualisation de données utilisant matplotlib (2)
Mémo de visualisation par pandas, seaborn
Jugement négatif / positif des phrases par BERT et visualisation des motifs
Visualisation des compétences possédées [suite]
À propos de la gestion des données d'Anvil-App-Server
Ce que j'ai vu en analysant les données du marché des ingénieurs
Prédiction de probabilité de données déséquilibrées
Une analyse simple des données de Bitcoin fournie par CoinMetrics en Python
Visualisons les données de niveau d'eau de la rivière publiées par la préfecture de Shimane
La bibliothèque de visualisation de données "folium" de Python est très simple d'utilisation
Pratique de l'analyse de données par Python et pandas (Tokyo COVID-19 data edition)
[Python] Visualisation des données longitudinales (tracé, moustaches, diagramme de violon, intervalle de confiance, histogramme)
[Python] Version Taple du menu déroulant de la préfecture
Première analyse de données satellitaires par Tellus
Erreur divisée par 0 Traitement de ZeroDivisionError 2
Extension du dictionnaire python par argument
Erreur divisée par 0 Gestion de ZeroDivisionError
[ns3-30] Activer la visualisation des scripts Python
Résumé de l'implémentation de base par PyTorch
Train_test_split du montant de fonction détenu par dict
Comment utiliser correctement le package de visualisation Python
Visualisation des données avec Python - dessinons une carte de chaleur fraîche