يعد تصور البيانات الجغرافية أداة قوية تتيح لنا فهم الأنماط والعلاقات المعقدة بين البيانات الجغرافية وغيرها من البيانات. فهو يساعد في اتخاذ قرارات مستنيرة وتقديم البيانات بطريقة أكثر سهولة وجاذبية. في هذه المقالة، سنتعمق في كيفية تحقيق تصور البيانات الجغرافية باستخدام لغة Python، وهي إحدى لغات البرمجة الأكثر تنوعًا المتوفرة اليوم. سنستكشف المكتبات والوظائف والتقنيات المختلفة المستخدمة لحل المشكلات الشائعة في هذا المجال، مما يضمن أن لديك أساسًا متينًا يمكنك البناء عليه.
تقديم تصور البيانات الجغرافية في بيثون
تقدم Python العديد من المكتبات المصممة خصيصًا لتصور البيانات الجغرافية. بعض من الأكثر شعبية تشمل جيوباندا, فوليومو Plotly. تخدم كل مكتبة غرضها الفريد، حيث توفر وظائف يمكن استخدامها لإنشاء خرائط ومخططات ومخططات قوية وتفاعلية تتعلق بالبيانات الجغرافية. باعتبارك مطورًا وخبيرًا في لغة Python، من الضروري فهم هذه المكتبات وميزاتها وقيودها لإنشاء تصورات بيانات جغرافية فعالة وسهلة الاستخدام.
- جيوباندا هي مكتبة مبنية على قمة الباندا، مصممة خصيصًا للتعامل مع البيانات الجغرافية المكانية. يمكنه قراءة وكتابة تنسيقات البيانات المختلفة، وتنفيذ العمليات الجغرافية المكانية، والتكامل بسهولة مع مكتبات Python الأخرى مثل Matplotlib لتصور البيانات.
- فوليوم هي مكتبة تقوم بإنشاء خرائط تفاعلية باستخدام مكتبة Leaflet JavaScript، وهي مناسبة للخرائط التصحيحية التفاعلية والخرائط الحرارية. فهو يوفر واجهة بسيطة لإنشاء خرائط ذات طبقات مختلفة (علامات التحديد والنوافذ المنبثقة وما إلى ذلك)، مما يجعله خيارًا مثاليًا لغير الخبراء الذين يرغبون في إنشاء خرائط معقدة.
- Plotly هي مكتبة قوية ومتعددة الاستخدامات لإنشاء رسوم بيانية ومخططات وخرائط تفاعلية وجاهزة للنشر. تعد Plotly Express واجهة عالية المستوى لإنشاء هذه المرئيات بسرعة، بينما تسمح واجهة برمجة التطبيقات `graph_objects` الأكثر مشاركة بتخصيص كل تفاصيل التصور.
حل المشكلة: تصور البيانات الجغرافية باستخدام بايثون
دعونا نفكر في سيناريو شائع نريد من خلاله تصور توزيع الكثافات السكانية عبر البلدان المختلفة. سنستخدم مجموعة بيانات تحتوي على الحدود الجغرافية بتنسيق GeoJSON والكثافة السكانية بتنسيق CSV. أولاً، نحتاج إلى قراءة هذه البيانات ومعالجتها ودمجها. بعد ذلك، سنقوم بإنشاء خريطة تصحيحية لتصور الكثافات باستخدام مقاييس الألوان المناسبة.
1. قراءة البيانات ومعالجتها
سنبدأ بقراءة البيانات باستخدام GeoPandas للبيانات الجغرافية وPandas للكثافات السكانية. بعد ذلك، سنقوم بدمج إطاري البيانات هذين بناءً على مفتاح مشترك (على سبيل المثال، رمز البلد).
import geopandas as gpd
import pandas as pd
# Read the GeoJSON file
world_map = gpd.read_file("world_map.geojson")
# Read the CSV file with population densities
density_data = pd.read_csv("population_density.csv")
# Merge the dataframes based on the common key (country code)
merged_data = world_map.merge(density_data, on="country_code")
2. قم بإنشاء خريطة Choropleth
باستخدام GeoPandas وMatplotlib، يمكننا إنشاء خريطة تصحيحية لعرض الكثافات السكانية بمقاييس الألوان.
import matplotlib.pyplot as plt # Create a choropleth map using population density data fig, ax = plt.subplots(1, figsize=(10, 6)) merged_data.plot(column="population_density", cmap="Blues", linewidth=0.8, ax=ax) plt.show()
شرح خطوة بخطوة لكود بايثون
والآن بعد أن حصلنا على الحل، فلنستعرض الكود خطوة بخطوة لفهم كل جزء. نبدأ باستيراد المكتبات اللازمة:
import geopandas as gpd import pandas as pd import matplotlib.pyplot as plt
بعد ذلك، نقرأ ملف GeoJSON باستخدام GeoPandas وملف CSV باستخدام Pandas.
world_map = gpd.read_file("world_map.geojson")
density_data = pd.read_csv("population_density.csv")
بعد ذلك، نقوم بدمج إطارات البيانات بواسطة المفتاح المشترك، في هذه الحالة، رمز البلد.
merged_data = world_map.merge(density_data, on="country_code")
أخيرًا، قمنا بإنشاء خريطة تصحيحية باستخدام GeoPandas وMatplotlib، مع تحديد العمود المراد تصوره (الكثافة السكانية) وخريطة الألوان (اللون الأزرق).
fig, ax = plt.subplots(1, figsize=(10, 6)) merged_data.plot(column="population_density", cmap="Blues", linewidth=0.8, ax=ax) plt.show()
بهذا نختتم استكشافنا لتصور البيانات الجغرافية في بايثون. لقد ناقشنا مكتبات مختلفة، مثل جيوباندا, فوليومو Plotlyووظائفها في إنشاء تصورات بيانات جغرافية قوية وتفاعلية. ومن خلال هذه المعرفة، يجب أن تكون الآن مجهزًا بشكل أفضل للتعامل مع مهام تصور البيانات الجغرافية المعقدة وتطوير حلول أكثر فعالية.
