Skip to content
The Chat Archive
gpt-4-0125-preview· OpenAI WildChat-4.8M (AI2)

Почему не работает отрисовка полигонов из геодатафрейма (строчка ax = gdf.plot(color =…

  1. User

    Почему не работает отрисовка полигонов из геодатафрейма (строчка ax = gdf.plot(color = 'lightgray', edgecolor = 'k', linewidth = 0.5, zorder = 1) отвечает за это) def map_diagrams_test(gdf, var, acc, flannery, title): ax = gdf.plot(color = 'lightgray', edgecolor = 'k', linewidth = 0.5, zorder = 1) ax.axis('off') ax.set_title(title) ax.add_artist(ScaleBar(dx = 1, location = 'lower left', scale_formatter = lambda value, unit: f"{value} км"))

    gdf, skeletons = find_centers(gdf, acc)
    
    skl = gpd.GeoSeries(skeletons)
    skl.plot(color = 'blue', linewidth = 0.2, alpha = 0.5, ax = ax, zorder = 2)
    
    gdf['size'] = 30
    gdf.set_geometry('centroid', inplace=True)
    gdf.plot(ax = ax, markersize = 'size', color = 'cyan', edgecolor = 'k', linewidth = 1.2, alpha = 0.5, zorder = 3)
    ax.scatter([], [], color = 'cyan', edgecolor = 'k', linewidth = 1.2, alpha = 0.6, label = 'Центроид')
    
    gdf.set_geometry('point_on_surface', inplace=True)
    gdf.plot(ax = ax, markersize = 'size', color = 'magenta', edgecolor = 'k', linewidth = 1.2, alpha = 0.5, zorder = 3)
    ax.scatter([], [], color = 'magenta', edgecolor = 'k', linewidth = 1.2, alpha = 0.6, label = 'Точка на поверхности')
    
    gdf.set_geometry('center_circle', inplace=True)
    gdf.plot(ax = ax, markersize = 'size', color = 'yellow', edgecolor = 'k', linewidth = 1.2, alpha = 0.5, zorder = 3)
    ax.scatter([], [], color = 'yellow', edgecolor = 'k', linewidth = 1.2, alpha = 0.6, label = 'Центр вписанной окружности')
    ax.legend(labelspacing = 2, handletextpad = 1.2, frameon = False, title = 'Способ', title_fontsize = 11,loc = 'center left', bbox_to_anchor = [1, 0.5])
    

    acc_list = [20, 50, 100]

    for acc in acc_list: start = time.time() map_diagrams_test(gdf_supply, 'powersupply_n', acc, False, f'Число источников теплоснабжения при асс = {acc}') end = time.time() print(f'acc {acc}: {end - start}')

  2. Assistant

    Существует несколько причин, по которым может не работать отрисовка полигонов из вашего GeoDataFrame (gdf). Давайте постараемся разобраться в возможных причинах и предложить решения:

    1. GeoDataFrame gdf не содержит геометрических данных: Убедитесь, что ваш GeoDataFrame содержит столбец с геометрией, и эти геометрии действительно представляют собой полигоны или мультиполигоны.

    2. Проблемы с библиотекой geopandas или зависимостями: Убедитесь, что библиотека geopandas и все её зависимости (например, fiona, pyproj, shapely) установлены правильно и их версии совместимы. Попробуйте обновить geopandas и связанные библиотеки до последних версий.

    3. Визуализация без геометрии: Если в вашем GeoDataFrame есть строки, у которых отсутствует геометрия (то есть значение геометрии равно None), это может помешать отрисовке. Убедитесь, что все строки содержат действительную геометрию. Это можно сделать, используя gdf = gdf.dropna(subset=['geometry']), чтобы удалить строки без геометрии.

    4. Проблемы с проекцией: Убедитесь, что ваш GeoDataFrame имеет правильную координатную систему. Проблемы могут возникать, если данные в gdf находятся в географической проекции (например, WGS84, EPSG:4326), которая не лучшим образом подходит для отрисовки карт. Вы можете преобразовать данные в проекцию, более подходящую для визуализации, например, в проекцию Меркатора (EPSG:3857) с помощью gdf.to_crs(epsg=3857).

    5. Ошибка в другой части кода: Ошибка может возникать в другом месте вашего кода, например, в функции find_centers. Проверьте, не изменяется ли структура или содержание gdf таким образом, который мог бы помешать его отрисовке.

    6. Проблемы с окружением/библиотеками для визуализации: Убедитесь, что окружение, в котором вы работаете, поддерживает визуализацию. Например, если вы работаете в Jupyter Notebook, убедитесь, что работает расширение matplotlib.

    Если предложенные решения не помогли, для более точного ответа потребуется дополнительная информация о содержимом gdf, о том, отображается ли какая-либо ошибка, а также полный контекст используемых данных и функции find_centers.

  3. User

    как переписать функцию map_diagram_test так, чтобы она рисовала кружочки не по размеру get_transform, а по фиксированному размеру в 20 пунктов и при этом отрисовывались полигоны и не ломалась последняя функция помоги переписать

    Part 2

    prj = '+proj=aea +lat_1=52 +lat_2=58 +lon_0=45' reg = gpd.read_file('regions.geojson').to_crs(prj)

    supply = pd.read_excel('2022_Zaslavskaya.xlsx', names = ['name', 'gas_absence', 'powersupply_n', 'powersupply_less_n', 'power_net', 'power_net_trouble', 'power_net_fixed' , 'okato'], converters = {'okato': lambda x: pd.to_numeric(x, errors='coerce')}) supply = supply[supply['okato'] > 1000] supply['powersupply_n'] = supply['powersupply_n'].apply(lambda x: pd.to_numeric(x, errors='coerce'))

    pop = pd.read_excel('2022_population.xlsx', names = ['name', 'okato', 'population'], converters = {'okato': lambda x: pd.to_numeric(x, errors="coerce")})

    pop['population'][:-1] = pop['population'][1:]

    supply_data = supply.merge(pop, on='okato')

    supply_data['powersupply_n_norm'] = 100000 * supply_data['powersupply_n'] / supply_data['population']

    gdf_supply = reg.merge(supply_data, on = 'okato')

    gdf_supply.dropna(inplace=True) gdf_supply.reset_index(inplace=True) gdf_supply

    index	fid	featurecla	iso_3166_2	name	name_local	region	admin	okato	geometry	name_x	gas_absence	powersupply_n	powersupply_less_n	power_net	power_net_trouble	power_net_fixed	name_y	population
    

    0 0 916 Admin-1 states provinces RU-SMO Smolensk Смоленская область Central Russia 66000000000 POLYGON ((-889548.863 5675423.536, -887887.007... 3167053 3885 422.0 367 285215 56436 3404 Смоленская область 886900.0 1 1 918 Admin-1 states provinces RU-BRY Bryansk Брянская область Central Russia 15000000000 POLYGON ((-814749.552 5469189.930, -813293.410... 8519195 1202 1067.0 995 330467 39093 16682 Брянская область 1164635.0 2 2 920 Admin-1 states provinces RU-KRS Kursk Курская область Central Russia 38000000000 POLYGON ((-733095.778 5272885.133, -731716.463... 10429481 814 554.0 513 260962 70920 2240 Курская область 1078156.0 3 3 921 Admin-1 states provinces RU-BEL Belgorod Белгородская область Central Russia 14000000000 POLYGON ((-663151.458 5109547.994, -664627.920... 17263670 178 657.0 556 265982 90765 3653 Белгородская область 1536466.0 4 4 924 Admin-1 states provinces RU-VOR Voronezh Воронежская область Central Russia 20000000000 POLYGON ((-409577.803 5013788.651, -412243.851... 19664438 392 949.0 862 350186 61385 9696 Воронежская область 2302617.0 5 5 1390 Admin-1 states provinces RU-ORE Orenburg Оренбургская область Volga Russia 53000000000 POLYGON ((1024486.696 5359357.860, 1022702.801... 11193989 257 1263.0 1203 570835 110134 10771 Оренбургская область 1855781.0 6 6 1392 Admin-1 states provinces RU-SAR Saratov Саратовская область Volga Russia 63000000000 POLYGON ((397820.885 5239455.405, 396403.970 5... 10000947 238 827.0 764 223961 45243 1475 Саратовская область 2431012.0 7 7 4116 Admin-1 states provinces RU-BA Bashkortostan Республика Башкортостан Volga Russia 80000000000 POLYGON ((762726.913 5799929.245, 763620.677 5... 21235080 1522 1304.0 1161 768780 126533 13097 Республика Башкортостан 4091621.0 8 8 4119 Admin-1 states provinces RU-LIP Lipetsk Липецкая область Central Russia 42000000000 POLYGON ((-321808.373 5410389.513, -323985.171... 13481128 450 1309.0 1200 98215 17177 2582 Липецкая область 1138140.0 9 9 4120 Admin-1 states provinces RU-TAM Tambov Тамбовская область Central Russia 68000000000 POLYGON ((-328750.739 5369273.915, -328149.435... 7354842 485 532.0 515 106571 28455 1070 Тамбовская область 979171.0 10 10 4122 Admin-1 states provinces RU-TA Tatarstan Республика Татарстан Volga Russia 92000000000 POLYGON ((537802.861 5718278.750, 539104.342 5... 16705422 194 1327.0 1288 244489 33555 2112 Республика Татарстан (Татарстан) 4000084.0 11 11 4123 Admin-1 states provinces RU-ULY Ul'yanovsk Ульяновская область Volga Russia 73000000000 MULTIPOLYGON (((197902.599 5590212.606, 198324... 6886587 440 712.0 648 426364 193184 3162 Ульяновская область 1191661.0 12 12 4124 Admin-1 states provinces RU-PNZ Penza Пензенская область Volga Russia 56000000000 POLYGON ((-191211.972 5423586.798, -192018.438... 7503540 452 685.0 637 280827 48916 2513 Пензенская область 1261103.0 13 13 4126 Admin-1 states provinces RU-ORL Orel Орловская область Central Russia 54000000000 POLYGON ((-479352.807 5386626.290, -481106.932... 6778045 1242 940.0 925 106815 18962 2601 Орловская область 710023.0 14 14 4129 Admin-1 states provinces RU-MO Mordovia Республика Мордовия Volga Russia 89000000000 POLYGON ((-103174.213 5472442.645, -107977.161... 7808729 330 458.0 433 125043 45790 6010 Республика Мордовия 781440.0 15 15 4130 Admin-1 states provinces RU-KLU Kaluga Калужская область Central Russia 29000000000 POLYGON ((-592681.934 5468116.543, -597396.847... 3845831 1954 251.0 227 215657 22662 6895 Калужская область 1073252.0 16 16 4131 Admin-1 states provinces RU-KOS Kostroma Костромская область Central Russia 34000000000 MULTIPOLYGON (((-262793.229 5875235.557, -2623... 950055 2962 505.0 485 203314 62879 3785 Костромская область 577996.0 17 17 4132 Admin-1 states provinces RU-YAR Yaroslavl' Ярославская область Central Russia 78000000000 POLYGON ((-237022.318 5989763.210, -236529.639... 2876459 5500 471.0 376 606034 255658 15860 Ярославская область 1205637.0 18 18 4133 Admin-1 states provinces RU-VLA Vladimir Владимирская область Central Russia 17000000000 POLYGON ((-351663.083 5769896.488, -350525.874... 5207159 1573 510.0 456 369698 111124 13876 Владимирская область 1342235.0 19 19 4134 Admin-1 states provinces RU-RYA Ryazan' Рязанская область Central Russia 61000000000 MULTIPOLYGON (((-328657.567 5415320.878, -3372... 7975776 1237 155.0 106 190708 32140 6680 Рязанская область 1098579.0 20 20 4135 Admin-1 states provinces RU-IVA Ivanovo Ивановская область Central Russia 24000000000 POLYGON ((-200538.079 5895347.235, -193880.408... 2647836 2495 266.0 206 305546 56388 7127 Ивановская область 924114.0 21 21 4136 Admin-1 states provinces RU-NIZ Nizhegorod Нижегородская область Volga Russia 22000000000 POLYGON ((46213.870 5580893.272, 45624.622 558... 14038798 3107 1431.0 1290 880505 211086 20719 Нижегородская область 3108918.0 22 22 4137 Admin-1 states provinces RU-TUL Tula Тульская область Central Russia 70000000000 POLYGON ((-403548.466 5441710.494, -404139.354... 7597651 1943 267.0 205 346618 45403 10913 Тульская область 1496690.0 23 23 4144 Admin-1 states provinces RU-CU Chuvash Чувашская Республика Volga Russia 97000000000 POLYGON ((213484.675 5681677.960, 212819.091 5... 7829516 78 904.0 880 204790 26070 1380 Чувашская Республика - Чувашия 1183908.0 24 24 4147 Admin-1 states provinces RU-TVE Tver' Тверская область Central Russia 28000000000 POLYGON ((-429488.871 5995602.008, -428500.053... 4199818 8680 479.0 380 681541 181069 7836 Тверская область 1226038.0 25 25 4148 Admin-1 states provinces RU-MOW Moskovskaya Московская область Central Russia 46000000000 POLYGON ((-532036.457 5646389.763, -532416.796... 11432524 2262 979.0 494 2698560 926157 35880 Московская область 8542257.0 26 27 4150 Admin-1 states provinces RU-ME Mariy-El Республика Марий Эл Volga Russia 88000000000 POLYGON ((310764.103 5776177.008, 311205.107 5... 3239906 720 439.0 379 337874 12611 2491 Республика Марий Эл 676351.0 27 28 4151 Admin-1 states provinces RU-KIR Kirov Кировская область Volga Russia 33000000000 POLYGON ((332938.680 5774116.805, 332214.941 5... 2063507 3547 586.0 521 355635 83238 5259 Кировская область 1149176.0 28 29 4152 Admin-1 states provinces RU-UD Udmurt Удмуртская Республика Volga Russia 94000000000 POLYGON ((575748.984 5773964.222, 575179.702 5... 6176840 1110 900.0 771 645920 135295 11320 Удмуртская Республика 1448946.0 29 30 4154 Admin-1 states provinces RU-PER Perm' Пермский край Volga Russia 57000000000 POLYGON ((614017.084 5774989.893, 613405.961 5... 5295801 3094 1019.0 884 727322 238008 19722 Пермский край 2525149.0 30 31 4155 Admin-1 states provinces RU-SAM Samara Самарская область Volga Russia 36000000000 MULTIPOLYGON (((410830.801 5566683.363, 411197... 13368414 321 1344.0 1253 789582 214201 16870 Самарская область 3164384.0

    def find_centers(gdf, acc): centers = [] distances = [] skeletons = []

    for index, row in gdf.iterrows():
        geom = row.geometry
        
        if geom.geom_type == 'MultiPolygon':
            max_polygon = max(geom.geoms, key=lambda x: x.area)
            poly = list(max_polygon.exterior.coords)
            acc_points = poly[::acc]
            
        elif geom.geom_type == 'Polygon':
            poly = list(geom.exterior.coords)
            acc_points = poly[::acc]
        
        bound = LineString(poly)
        acc_points = MultiPoint(acc_points)
        
        voron = shapely.voronoi_polygons(acc_points)
        edges = []
        
        for v in voron.geoms:
            cell = v.exterior.coords
            for i in range(0, len(cell)-1):
                start, end = cell[i], cell[i+1]
                edge = LineString([start, end])
                edges.append(edge)
        
        skeleton = []
        for edge in edges:
            if shapely.contains_properly(geom, edge):
                skeleton.append(edge)
        
        
        inner_points = []
        for bone in skeleton:
            inner_points.append(bone.coords[0])
            inner_points.append(bone.coords[1])
        
        max_dist = -math.inf
        cur_point = None
        
        for point in inner_points:
            point = Point([point])
            dist = shapely.distance(point, bound)
            if dist > max_dist:
                max_dist = dist
                cur_point = point
        
        centers.append(cur_point)
        distances.append(max_dist)
        skeletons.append(MultiLineString(skeleton))
    
    gdf['max_dist'] = distances
    gdf['center_circle'] = centers
    gdf['centroid'] = gdf.centroid
    gdf['point_on_surface'] = shapely.point_on_surface(gdf.geometry)
    
    return gdf, skeletons
    

    def suggest_size(var, dist, ax, flannery=True): onept = ax.figure.dpi / 72 # сколько пунктов в одном пикселе delta = ax.transData.transform((0, 1)) - ax.transData.transform((0, 0)) # сколько пикселей в одном км ptm = delta[1]/ onept # 1 метр в пунктах

    areas = []
    for d in dist:
        dist_pt = d * ptm
        area_pt =math.pi * (dist_pt / 2) ** 2
        areas.append(area_pt)
    
    avg_area_pt = sum(areas)/len(areas)
    
    varmin = min(var)
    varmean = sum(var)/len(var)
    
    ratio_var = float(varmin / varmean)
    
    size = avg_area_pt * ratio_var
    
    if flannery:
        size = 1.01902 * size ** 1.14325
    return size
    

    с семинара

    def get_transform(gdf, varname, ax, smin=None, smax=None, flannery=True): var = gdf[varname] varmin = var.min() varmax = var.max() dvar = varmax - varmin

    if smin == None:
        smin = suggest_size(list(var), list(gdf['max_dist']), ax, flannery)
        
    if smax == None:
        smax = smin * varmax / varmin
        
    dsize = smax - smin
    
    if flannery:
        return lambda v: 1.01902 * (smin + dsize * (v - varmin) /dvar) ** 1.14325
    else:
        return lambda v: smin + dsize * (v - varmin) /dvar
    

    def map_diagrams_test(gdf, var, acc, flannery, title, smin = None, smax = None): ax = gdf.plot(color = 'lightgray', edgecolor = 'k', linewidth = 0.5) ax.axis('off') ax.set_title(title) ax.add_artist(ScaleBar(dx = 1, location = 'lower left', scale_formatter = lambda value, unit: f"{value} км"))

    gdf, skeletons = find_centers(gdf, acc)
    
    transform = get_transform(gdf, var, ax, smin, smax, flannery)
    
    skl = gpd.GeoSeries(skeletons)
    skl.plot(color = 'blue', linewidth = 0.2, alpha = 0.5, ax = ax)
    
    gdf = gdf.assign(size = transform(gdf[var]))
    gdf['size'] = gdf['size'].apply(lambda x: float(x))
    gdf.set_geometry('centroid', inplace=True)
    gdf.plot(markersize = 'size', color = 'cyan', edgecolor = 'k', linewidth = 1.2, alpha = 0.5, ax = ax)
    

    gdf.plot(markersize = 20, color = 'cyan', edgecolor = 'k', linewidth = 1.2, alpha = 0.5, ax = ax)

    ax.scatter([], [], color = 'cyan', edgecolor = 'k', linewidth = 1.2, alpha = 0.6, label = 'Центроид')
    
    gdf.set_geometry('point_on_surface', inplace=True)
    gdf.plot(markersize = 'size', color = 'magenta', edgecolor = 'k', linewidth = 1.2, alpha = 0.5, ax = ax)
    

    gdf.plot(markersize = 20, color = 'magenta', edgecolor = 'k', linewidth = 1.2, alpha = 0.5, ax = ax)

    ax.scatter([], [], color = 'magenta', edgecolor = 'k', linewidth = 1.2, alpha = 0.6, label = 'Точка на поверхности')
    
    gdf.set_geometry('center_circle', inplace=True)
    gdf.plot(markersize = 'size', color = 'yellow', edgecolor = 'k', linewidth = 1.2, alpha = 0.5, ax = ax)
    

    gdf.plot(markersize = 20, color = 'yellow', edgecolor = 'k', linewidth = 1.2, alpha = 0.5, ax = ax)

    ax.scatter([], [], color = 'yellow', edgecolor = 'k', linewidth = 1.2, alpha = 0.6, label = 'Центр вписанной окружности')
    ax.legend(labelspacing = 2, handletextpad = 1.2, frameon = False, title = 'Способ', title_fontsize = 11,loc = 'center left', bbox_to_anchor = [1, 0.5])
    

    def map_diagrams(gdf, var, acc, flannery, title, legendtitle, placement, fillc, edgec, smin = None, smax=None): ax = gdf.plot(color = 'lightgray', edgecolor = 'k', linewidth = 0.5) ax.axis('off') ax.set_title(title) ax.add_artist(ScaleBar(dx = 1, location = 'lower left', scale_formatter = lambda value, unit: f"{value} км"))

    gdf, skeletons = find_centers(gdf, acc)
    
    transform = get_transform(gdf, var, ax, smin, smax, flannery)
    
    #skl = gpd.GeoSeries(skeletons)
    #skl.plot(color = 'blue', linewidth = 0.2, alpha = 0.5, ax = ax)
    
    gdf=gdf.assign(size=transform(gdf[var]))
    gdf['size'] = gdf['size'].apply(lambda x: float(x))
    
    if placement == 'centroid':
        gdf.set_geometry('centroid', inplace=True)
        gdf.plot(markersize = 'size', color = fillc, edgecolor = edgec, linewidth = 1.2, alpha = 0.5, ax = ax)
        ax.scatter([], [], color = fillc, edgecolor = edgec, linewidth = 1.2, alpha = 0.6)
        
    if placement == 'point_on_surface':
        gdf.set_geometry('point_on_surface', inplace=True)
        gdf.plot(markersize = 'size', color = fillc, edgecolor = edgec, linewidth = 1.2, alpha = 0.5, ax = ax)
        ax.scatter([], [], color = fillc, edgecolor = edgec, linewidth = 1.2, alpha = 0.6)
        
    if placement == 'center_circle':
        gdf.set_geometry('center_circle', inplace=True)
        gdf.plot(markersize = 'size', color = fillc, edgecolor = edgec, linewidth = 1.2, alpha = 0.5, ax = ax)
        ax.scatter([], [], color = fillc, edgecolor = edgec, linewidth = 1.2, alpha = 0.6)
    
    values = [ 
            gdf[var].max(),
            0.5 * (gdf[var].max() + gdf[var].min()),
            gdf[var].mean(),
            gdf[var].min()
        ]
    
    for value in values: 
        ax.scatter([], [], s = transform(value), color = fillc, edgecolor = edgec, linewidth = 1.2, alpha = 0.6, label = int(value)) 
    ax.legend(labelspacing = 2, handletextpad = 1.2, frameon = False, title = legendtitle, title_fontsize = 11,loc = 'center left', bbox_to_anchor = [1, 0.5])
    

    acc_list = [20, 50, 100]

    for acc in acc_list: start = time.time() map_diagrams_test(gdf_supply, 'powersupply_n', acc, False, f'Число источников теплоснабжения при асс = {acc}') end = time.time() print(f'acc {acc}: {end - start}')

  4. Assistant

    Чтобы изменить вашу функцию map_diagrams_test, чтобы она использовала фиксированный размер маркеров (20 пунктов) для кружочков вместо размера, получаемого через get_transform, и чтобы при этом продолжали отрисовываться полигоны и работал остальной функционал, вам нужно немного изменить способ задания параметра markersize в функции plot геодатафрейма (gdf). Вместо того, чтобы передавать в этот параметр столбец с размерами, полученным от get_transform, вам нужно задать значение 20 напрямую.

    Вы можете упростить функцию, избегая использования get_transform для этой задачи.

    Вот пример того, как можно изменить функцию map_diagrams_test:

    def map_diagrams_test(gdf, var, acc, flannery, title):
        ax = gdf.plot(color='lightgray', edgecolor='k', linewidth=0.5)
        ax.axis('off')
        ax.set_title(title)
        ax.add_artist(ScaleBar(dx=1, location='lower left', scale_formatter=lambda value, unit: f"{value} км"))
    
        gdf, skeletons = find_centers(gdf, acc)
        
        # Нет нужды в получении размера через get_transform
        # Используем фиксированный размер 20 для всех маркеров
        fixed_size = 20
        
        skl = gpd.GeoSeries(skeletons)
        skl.plot(color='blue', linewidth=0.2, alpha=0.5, ax=ax)
        
        # Отрисовываем маркеры для разных геометрических центров с фиксированным размером
        gdf.set_geometry('centroid', inplace=True)
        gdf.plot(markersize=fixed_size, color='cyan', edgecolor='k', linewidth=1.2, alpha=0.5, ax=ax)
        ax.scatter([], [], color='cyan', edgecolor='k', linewidth=1.2, alpha=0.6, label='Центроид')
    
        gdf.set_geometry('point_on_surface', inplace=True)
        gdf.plot(markersize=fixed_size, color='magenta', edgecolor='k', linewidth=1.2, alpha=0.5, ax=ax)
        ax.scatter([], [], color='magenta', edgecolor='k', linewidth=1.2, alpha=0.6, label='Точка на поверхности')
    
        gdf.set_geometry('center_circle', inplace=True)
        gdf.plot(markersize=fixed_size, color='yellow', edgecolor='k', linewidth=1.2, alpha=0.5, ax=ax)
        ax.scatter([], [], color='yellow', edgecolor='k', linewidth=1.2, alpha=0.6, label='Центр вписанной окружности')
        
        ax.legend(labelspacing=2, handletextpad=1.2, frameon=False, title='Способ', title_fontsize=11, loc='center left', bbox_to_anchor=[1, 0.5])
    

    В этом примере переменная fixed_size используется для передачи фиксированного размера маркеров (20 пунктов) непосредственно в функции plot для отрисовки маркеров. Это позволяет избегать необходимости зависимости размеров маркеров от переменных данных, упрощая и унифицируя визуализацию.

  5. User

    есть ли лишние действия или ошибка в этом коде:

    Part 2

    prj = '+proj=aea +lat_1=52 +lat_2=58 +lon_0=45' reg = gpd.read_file('regions.geojson').to_crs(prj)

    supply = pd.read_excel('2022_Zaslavskaya.xlsx', names = ['name', 'gas_absence', 'powersupply_n', 'powersupply_less_n', 'power_net', 'power_net_trouble', 'power_net_fixed' , 'okato'], converters = {'okato': lambda x: pd.to_numeric(x, errors='coerce')}) supply = supply[supply['okato'] > 1000] supply['powersupply_n'] = supply['powersupply_n'].apply(lambda x: pd.to_numeric(x, errors='coerce'))

    pop = pd.read_excel('2022_population.xlsx', names = ['name', 'okato', 'population'], converters = {'okato': lambda x: pd.to_numeric(x, errors="coerce")})

    pop['population'][:-1] = pop['population'][1:]

    supply_data = supply.merge(pop, on='okato')

    supply_data['powersupply_n_norm'] = 100000 * supply_data['powersupply_n'] / supply_data['population']

    gdf_supply = reg.merge(supply_data, on = 'okato')

    gdf_supply.dropna(inplace=True) gdf_supply.reset_index(inplace=True) gdf_supply

  6. Assistant

    В вашем коде есть пара моментов, которые могут привести к недоразумениям или неэффективности. Вот основные из них:

    1. Переназначение 'population': Строка pop['population'][:-1] = pop['population'][1:] смещает все значения столбца на одну позицию вверх, которая может быть источником путаницы или ошибок. Это действие может быть необоснованным, если не было четкой причины для такого смещения. Если целью было удалить первую строку данных, существуют более читабельные способы это сделать, например, использование pop = pop[1:].reset_index(drop=True).

    2. Сброс индекса и использование 'inplace': После операции dropna(), вы сбрасываете индекс с gdf_supply.reset_index(inplace=True). Если вы хотите удалить старый индекс и не сохранять его как столбец, следует использовать gdf_supply.reset_index(drop=True, inplace=True). Использование inplace=True делает изменения непосредственно в датафрейме gdf_supply, что является ожидаемым поведением, но требует внимательности при обработке данных, чтобы не потерять важную информацию случайно.

    3. Комментарий к нормализации данных: Строка # supply_data['powersupply_n_norm'] = 100000 * supply_data['powersupply_n'] / supply_data['population'] закомментирована, и если нормализация данных 'powersupply_n' по 'population' действительно не нужна, то этот комментарий можно считать лишним. Если же нормализация представляет интерес для анализа, лучше раскомментировать эту строчку.

    4. Конвертация 'okato' и фильтрация данных: В операциях с supply и pop вы проводите преобразование в числовой тип с помощью lambda x: pd.to_numeric(x, errors='coerce'), а затем фильтрацию supply[supply['okato'] > 1000]. Это стандартные и оправданные шаги, но важно убедиться, что потеря данных из-за ошибок конвертации или фильтрации осознана и не влияет на анализ.

    5. Использование проекции: Применение кастомной проекции proj через .to_crs(prj) — это стандартный и корректный подход при работе с геоданными.

    В целом, код выглядит логично структурированным и направленным на подготовку данных для последующего анализа или визуализации, но важно учитывать упомянутые выше нюансы для повышения читабельности и точности обработки данных.

  7. User

    Как интегрировать эту функцию классификации показателя на классы, можно без проверки на zero и функции, просто получить границы классов breaks=classfunc(gdf[column], k=k):

    def classify(gdf, column='migrate', classfunc=mc.FisherJenks, k=7, zero=True):

    if zero == True:
        below = gdf[column][gdf[column]<0]
        breaks_below = classfunc(below, k=int(k/2))
        breaks_below.bins[-1] = 0
    
        above = gdf[column][gdf[column]>=0]
        breaks_above=classfunc(above, int(k/2))
        bins = np.concatenate((breaks_below.bins, breaks_above.bins))
        breaks = mc.UserDefined(gdf[column], bins=bins)
        
    else:
        breaks=classfunc(gdf[column], k=k)
        
    return breaks
    

    в этот код (конкретно в функцию map_diagramms)

    Part 2

    prj = '+proj=aea +lat_1=52 +lat_2=58 +lon_0=45' reg = gpd.read_file('regions.geojson').to_crs(prj)

    supply = pd.read_excel('2022_Zaslavskaya.xlsx', names = ['name', 'gas_absence', 'powersupply_n', 'powersupply_less_n', 'power_net', 'power_net_trouble', 'power_net_fixed' , 'okato'], converters = {'okato': lambda x: pd.to_numeric(x, errors='coerce')}) supply = supply[supply['okato'] > 1000] supply['powersupply_n'] = supply['powersupply_n'].apply(lambda x: pd.to_numeric(x, errors='coerce'))

    pop = pd.read_excel('2022_population.xlsx', names = ['name', 'okato', 'population'], converters = {'okato': lambda x: pd.to_numeric(x, errors="coerce")})

    pop['population'][:-1] = pop['population'][1:] supply_data = supply.merge(pop, on='okato')

    supply_data['powersupply_n_norm'] = 100000 * supply_data['powersupply_n'] / supply_data['population']

    gdf_supply = reg.merge(supply_data, on = 'okato')

    gdf_supply.dropna(inplace=True) gdf_supply.reset_index(inplace=True) gdf_supply

    def find_centers(gdf, acc): centers = [] distances = [] skeletons = []

    for index, row in gdf.iterrows():
        geom = row.geometry
        
        if geom.geom_type == 'MultiPolygon':
            max_polygon = max(geom.geoms, key=lambda x: x.area)
            poly = list(max_polygon.exterior.coords)
            acc_points = poly[::acc]
            
        elif geom.geom_type == 'Polygon':
            poly = list(geom.exterior.coords)
            acc_points = poly[::acc]
        
        bound = LineString(poly)
        acc_points = MultiPoint(acc_points)
        
        voron = shapely.voronoi_polygons(acc_points)
        edges = []
        
        for v in voron.geoms:
            cell = v.exterior.coords
            for i in range(0, len(cell)-1):
                start, end = cell[i], cell[i+1]
                edge = LineString([start, end])
                edges.append(edge)
        
        skeleton = []
        for edge in edges:
            if shapely.contains_properly(geom, edge):
                skeleton.append(edge)
        
        
        inner_points = []
        for bone in skeleton:
            inner_points.append(bone.coords[0])
            inner_points.append(bone.coords[1])
        
        max_dist = -math.inf
        cur_point = None
        
        for point in inner_points:
            point = Point([point])
            dist = shapely.distance(point, bound)
            if dist > max_dist:
                max_dist = dist
                cur_point = point
        
        centers.append(cur_point)
        distances.append(max_dist)
        skeletons.append(MultiLineString(skeleton))
    
    gdf['max_dist'] = distances
    gdf['center_circle'] = centers
    gdf['centroid'] = gdf.centroid
    gdf['point_on_surface'] = shapely.point_on_surface(gdf.geometry)
    
    return gdf, skeletons
    

    def suggest_size(var, dist, ax, flannery=True): onept = ax.figure.dpi / 72 # сколько пунктов в одном пикселе delta = ax.transData.transform((0, 1)) - ax.transData.transform((0, 0)) # сколько пикселей в одном км ptm = delta[1]/ onept # 1 метр в пунктах

    areas = []
    for d in dist:
        dist_pt = d * ptm
        area_pt =math.pi * (dist_pt / 2) ** 2
        areas.append(area_pt)
    
    avg_area_pt = sum(areas)/len(areas)
    
    varmin = min(var)
    varmean = sum(var)/len(var)
    
    ratio_var = float(varmin / varmean)
    
    size = avg_area_pt * ratio_var
    
    if flannery:
        size = 1.01902 * size ** 1.14325
    return size
    

    с семинара

    def get_transform(gdf, varname, ax, smin=None, smax=None, flannery=True): var = gdf[varname] varmin = var.min() varmax = var.max() dvar = varmax - varmin

    if smin == None:
        smin = suggest_size(list(var), list(gdf['max_dist']), ax, flannery)
        
    if smax == None:
        smax = smin * varmax / varmin
        
    dsize = smax - smin
    
    if flannery:
        return lambda v: 1.01902 * (smin + dsize * (v - varmin) /dvar) ** 1.14325
    else:
        return lambda v: smin + dsize * (v - varmin) /dvar
    

    def map_diagrams_test(gdf, var, acc, flannery, title, smin = None, smax = None): ax = gdf.plot(color = 'lightgray', edgecolor = 'k', linewidth = 0.5) ax.axis('off') ax.set_title(title) ax.add_artist(ScaleBar(dx = 1, location = 'lower left', scale_formatter = lambda value, unit: f"{value} км"))

    gdf, skeletons = find_centers(gdf, acc)
    
    transform = get_transform(gdf, var, ax, smin, smax, flannery)
    
    skl = gpd.GeoSeries(skeletons)
    skl.plot(color = 'blue', linewidth = 0.2, alpha = 0.5, ax = ax)
    
    gdf = gdf.assign(size = transform(gdf[var]))
    gdf['size'] = gdf['size'].apply(lambda x: float(x))
    gdf.set_geometry('centroid', inplace=True)
    gdf.plot(markersize = 'size', color = 'cyan', edgecolor = 'k', linewidth = 1.2, alpha = 0.5, ax = ax)
    ax.scatter([], [], color = 'cyan', edgecolor = 'k', linewidth = 1.2, alpha = 0.6, label = 'Центроид')
    
    gdf.set_geometry('point_on_surface', inplace=True)
    gdf.plot(markersize = 'size', color = 'magenta', edgecolor = 'k', linewidth = 1.2, alpha = 0.5, ax = ax)
    ax.scatter([], [], color = 'magenta', edgecolor = 'k', linewidth = 1.2, alpha = 0.6, label = 'Точка на поверхности')
    
    gdf.set_geometry('center_circle', inplace=True)
    gdf.plot(markersize = 'size', color = 'yellow', edgecolor = 'k', linewidth = 1.2, alpha = 0.5, ax = ax)
    ax.scatter([], [], color = 'yellow', edgecolor = 'k', linewidth = 1.2, alpha = 0.6, label = 'Центр вписанной окружности')
    ax.legend(labelspacing = 2, handletextpad = 1.2, frameon = False, title = 'Способ', title_fontsize = 11,loc = 'center left', bbox_to_anchor = [1, 0.5])
    
    

    def map_diagrams(gdf, var, acc, flannery, title, legendtitle, placement, fillc, edgec, smin = None, smax=None): ax = gdf.plot(color = 'lightgray', edgecolor = 'k', linewidth = 0.5) ax.axis('off') ax.set_title(title) ax.add_artist(ScaleBar(dx = 1, location = 'lower left', scale_formatter = lambda value, unit: f"{value} км"))

    gdf, skeletons = find_centers(gdf, acc)
    
    transform = get_transform(gdf, var, ax, smin, smax, flannery)
    
    #skl = gpd.GeoSeries(skeletons)
    #skl.plot(color = 'blue', linewidth = 0.2, alpha = 0.5, ax = ax)
    
    gdf=gdf.assign(size=transform(gdf[var]))
    gdf['size'] = gdf['size'].apply(lambda x: float(x))
    
    if placement == 'centroid':
        gdf.set_geometry('centroid', inplace=True)
        gdf.plot(markersize = 'size', color = fillc, edgecolor = edgec, linewidth = 1.2, alpha = 0.5, ax = ax)
        ax.scatter([], [], color = fillc, edgecolor = edgec, linewidth = 1.2, alpha = 0.6)
        
    if placement == 'point_on_surface':
        gdf.set_geometry('point_on_surface', inplace=True)
        gdf.plot(markersize = 'size', color = fillc, edgecolor = edgec, linewidth = 1.2, alpha = 0.5, ax = ax)
        ax.scatter([], [], color = fillc, edgecolor = edgec, linewidth = 1.2, alpha = 0.6)
        
    if placement == 'center_circle':
        gdf.set_geometry('center_circle', inplace=True)
        gdf.plot(markersize = 'size', color = fillc, edgecolor = edgec, linewidth = 1.2, alpha = 0.5, ax = ax)
        ax.scatter([], [], color = fillc, edgecolor = edgec, linewidth = 1.2, alpha = 0.6)
    
    values = [ 
            gdf[var].max(),
            0.5 * (gdf[var].max() + gdf[var].min()),
            gdf[var].mean(),
            gdf[var].min()
        ]
    
    for value in values: 
        ax.scatter([], [], s = transform(value), color = fillc, edgecolor = edgec, linewidth = 1.2, alpha = 0.6, label = int(value)) 
    ax.legend(labelspacing = 2, handletextpad = 1.2, frameon = False, title = legendtitle, title_fontsize = 11,loc = 'center left', bbox_to_anchor = [1, 0.5])
    

    points = ['centroid', 'point_on_surface', 'center_circle'] for point in points: map_diagrams(gdf_supply, 'powersupply_n', 20, True, f'Число источников теплоснабжения ({point}, with flannery)', 'ед. на 100 тыс. чел.', point, 'coral', 'k')

  8. Assistant

    Чтобы интегрировать функцию классификации показателя на классы в существующий код в функции map_diagrams, вы должны сначала вызвать функцию classify, чтобы получить границы классов, а затем использовать эти классы для визуального представления данных. Ниже приведены изменения, которые необходимо внести в функцию map_diagrams:

    1. Добавьте параметр classfunc=mc.FisherJenks в определение функции map_diagrams, чтобы указать метод классификации данных.

    2. Перед отрисовкой точек вызовите функцию classify на вашем геодатафрейме gdf, чтобы получить классы для указанной колонки.

    3. Используйте результат классификации для определения цветов или размеров точек на карте в зависимости от принадлежности к классам.

    Важно: Ваш код должен импортировать необходимые библиотеки, такие как mapclassify (mc), и geopandas (gpd), если это ещё не сделано.

    Пример модификации функции map_diagrams:

    import mapclassify as mc
    import numpy as np
    
    # Ваша функция classify теперь должна быть здесь...
    
    def map_diagrams(gdf, var, acc, flannery, title, legendtitle, placement, fillc, edgec, classfunc=mc.FisherJenks, k=7, zero=True, smin=None, smax=None):
        ax = gdf.plot(color='lightgray', edgecolor='k', linewidth=0.5)
        ax.axis('off')
        ax.set_title(title)
        ax.add_artist(ScaleBar(dx=1, location='lower left', scale_formatter=lambda value, unit: f"{value} км"))
    
        gdf, skeletons = find_centers(gdf, acc)
        
        # Классификация данных
        classification = classify(gdf, var, classfunc, k, zero)
        
        # Вы можете интегрировать результаты классификации в визуализацию, например, в размеры или цвета точек
        # Например, здесь мы предполагаем, что вы будете использовать 'size' для отображения классификации
        # Эта часть кода требует доработки в зависимости от вашего конкретного случая использования
        # Пример с размером точек.
        gdf['size'] = gdf[var].apply(lambda x: np.digitize(x, classification.bins) * 10)  # Умножение на 10 для видимости
        
        # Тут происходит отрисовка, как в вашем исходном коде
        if placement == 'centroid':
            gdf.set_geometry('centroid', inplace=True)
        elif placement == 'point_on_surface':
            gdf.set_geometry('point_on_surface', inplace=True)
        elif placement == 'center_circle':
            gdf.set_geometry('center_circle', inplace=True)
        
        # Точки теперь отрисовываются с размерами, пропорциональными классу
        gdf.plot(markersize='size', color=fillc, edgecolor=edgec, linewidth=1.2, alpha=0.5, ax=ax)
        ax.scatter([], [], color=fillc, edgecolor=edgec, linewidth=1.2, alpha=0.6)
    
        ax.legend(labelspacing=2, handletextpad=1.2, frameon=False, title=legendtitle, title_fontsize=11, loc='center left', bbox_to_anchor=[1, 0.5])
    

    Этот код вносит классификацию данных как часть процесса создания визуализации, применяя результаты классификации для изменения внешнего вида точек на карте. Вы можете настроить этот код дальше, в зависимости от того, как вы хотите использовать классы для изменения внешнего вида карты (например, изменение цвета в зависимости от класса).

    Адаптируйте используемую логику классификации и визуализации точек с учётом вашего конкретного случая — например, работу с размерами или цветами маркеров, чтобы отразить классификацию данных.

  9. User

    Вот требования к функции и сама функция, правильно ли она написана? Помоги найти и исправить ошибки В отличие от картограмм для порпорциональных символов редко используется классификация, т.к. легко оценить размеры.

    def suggest_size(var, dist, ax, flannery=True): onept = ax.figure.dpi / 72 # сколько пунктов в одном пикселе delta = ax.transData.transform((0, 1)) - ax.transData.transform((0, 0)) # сколько пикселей в одном км ptm = delta[1]/ onept # 1 метр в пунктах

    areas = []
    for d in dist:
        dist_pt = d * ptm
        area_pt =math.pi * (dist_pt / 2) ** 2
        areas.append(area_pt)
    
    avg_area_pt = sum(areas)/len(areas)
    
    varmin = min(var)
    varmean = sum(var)/len(var)
    
    ratio_var = float(varmin / varmean)
    
    size = avg_area_pt * ratio_var
    
    if flannery:
        size = 1.01902 * size ** 1.14325
    return size
    
  10. Assistant

    В вашей функции suggest_size идея и основной подход верны, но в описании требований и формулах к функции есть несоответствия. Функция, как указано выше, предназначена для определения размеров визуализируемых объектов на карте в зависимости от их значений, а также принимает во внимание компенсацию Флэннери для корректировки восприятия человеком размеров объектов. Компенсация Флэннери применяется к итоговой площади объектов, чтобы скорректировать её с учётом возможного визуального восприятия.

    Однако в заданных математических выражениях присутствует путаница между площадью и радиусом объектов, что особенно важно при расчёте площади круга.

    Важные замечания:

    • Формула расчёта площади (S) круга через радиус (r) выглядит так: (S = \pi r^2). В вашем случае, кажется, вы используете радиус для расчёта площади, но не делаете это явно.
    • Вы используете соотношения по минимальному и максимальному значениям для нахождения площади без учёта того, что размер маркера на карте (в вашем контексте) зависит от значения показателя V.

    Предложение по исправлению функции:

    Для корректировки функции так, чтобы она соответствовала вашим требованиям, и учитывая, что переменная var это массив значений В, а dist это массив расстояний между центрами маркеров, предлагается следующий подход:

    import math
    
    def suggest_size(var, ax, S_min, S_max=None, flannery=True):
        V_min = min(var)
        V_max = max(var)
        
        sizes = []
        for V in var:
            if S_max:
                # Если задан S_max, используем формулу относительной шкалы
                S = S_min + (S_max - S_min) * (V - V_min) / (V_max - V_min)
            else:
                # Если S_max не задан, используем формулу пропорциональной шкалы
                S = S_min * (V / V_min)
            
            if flannery:
                # Применяем компенсацию Флэннери
                S = 1.01902 * (S ** 1.14325)
            
            sizes.append(S)
        
        return sizes
    

    Эта версия функции suggest_size принимает значения переменной var, текущий Axes объект matplotlib для получения DPI (если это необходимо), минимальную площадь S_min, опционально максимальную площадь S_max, и флаг использования компенсации Флэннери. Функция возвращает список размеров (площадей) для каждого значения из var.

    Обратите внимание, что здесь я исходил из предположения о том, как вы хотели бы использовать эти площади. Если ваша задача требует другого рода вычислений, вам, возможно, нужно будет соответственно подстроить функцию.

  11. User

    Почему ты убрал часть с пересчетом расстояния в метрах в данных в пункты на экране? Она нужна onept = ax.figure.dpi / 72 # сколько пунктов в одном пикселе delta = ax.transData.transform((0, 1)) - ax.transData.transform((0, 0)) # сколько пикселей в одном км ptm = delta[1]/ onept # 1 метр в пунктах

  12. Assistant

    Прошу прощения за недопонимание. Если ваша задача требует использования перерасчета расстояния из данных на карте в физическом размере на экране (в пунктах), этот шаг должен быть включен обратно. С учетом этого, давайте интегрируем эту часть в функцию, чтобы она учитывала пересчет размеров объектов с учетом DPI экрана и масштаба ваших геоданных. Данный подход позволит вам работать с размерами объектов на карте более точно, особенно когда дело касается визуализации на физических носителях или экранах с определенной плотностью пикселей.

    import math
    
    def suggest_size(var, ax, S_min, S_max=None, flannery=True):
        V_min = min(var)
        V_max = max(var)
        
        # Пересчет расстояния в пунктах
        onept = ax.figure.dpi / 72  # сколько пунктов в одном пикселе
        delta = ax.transData.transform((0, 1)) - ax.transData.transform((0, 0))  # сколько пикселей в одном км
        ptm = delta[1] / onept  # 1 метр в пунктах
        
        sizes = []
        for V in var:
            if S_max:
                # Если задан S_max, используем формулу относительной шкалы для расчета площади в квадратных пунктах
                S = S_min + (S_max - S_min) * (V - V_min) / (V_max - V_min)
            else:
                # Если S_max не задан, используем формулу пропорциональной шкалы
                S = S_min * (V / V_min)
            
            if flannery:
                # Применяем компенсацию Флэннери к площади
                S = 1.01902 * (S ** 1.14325)
            
            # Переводим площадь из квадратных метров в квадратные пункты, при необходимости
            S_punkts = S * (ptm ** 2)
            
            sizes.append(S_punkts)
        
        return sizes
    

    Теперь эта функция дополнена логикой по переводу площади объектов из квадратных метров в квадратные пункты с учетом DPI экрана и масштаба карты. Это позволяет адаптировать размеры визуализируемых объектов в соответствии с масштабом карты и плотностью пикселей на экране, на котором она отображается. Обратите внимание, что это изменение важно для корректной визуализации, особенно если планируется отображение на различных устройствах или печать карты.

  13. User

    Функция должна возвращать значение size, а не список

  14. Assistant

    Если функция должна возвращать одно значение size вместо списка, это подразумевает, что она будет работать с одним значением V, а не с массивом значений. Следовательно, следует адаптировать функцию так, чтобы она принимала одно значение вместо списка и возвращала размер для этого значения. Вот исправленная версия функции:

    import math
    
    def suggest_size(V, ax, S_min, V_min, V_max, S_max=None, flannery=True):
        # Убедимся, что V_min и V_max не равны, чтобы избежать деления на ноль
        if V_min == V_max:
            raise ValueError("V_min и V_max не должны быть равны.")
    
        # Пересчет расстояния в пунктах
        onept = ax.figure.dpi / 72  # сколько пунктов в одном пикселе
        delta = ax.transData.transform((0, 1)) - ax.transData.transform((0, 0))  # сколько пикселей в одном км
        ptm = delta[1] / onept  # 1 метр в пунктах
    
        if S_max:
            # Если задан S_max, используем формулу относительной шкалы для расчета площади
            S = S_min + (S_max - S_min) * (V - V_min) / (V_max - V_min)
        else:
            # Если S_max не задан, используем формулу пропорциональной шкалы
            S = S_min * (V / V_min)
    
        if flannery:
            # Применяем компенсацию Флэннери к площади
            S = 1.01902 * (S ** 1.14325)
    
        # Переводим площадь из квадратных метров в квадратные пункты, при необходимости
        S_punkts = S * (ptm ** 2)
    
        return S_punkts
    

    В этой версии функции:

    • V это текущее значение, для которого вы хотите получить размер.
    • ax это объект оси matplotlib, который используется для получения информации о DPI и других параметрах визуализации.
    • S_min и S_max задают минимальную и максимальную площадь объекта соответственно.
    • V_min и V_max задают минимальное и максимальное значения диапазона значений V.
    • Флаг flannery определяет, следует ли применять коррекцию по Флэннери.

    Эта функция теперь принимает одно значение V и возвращает размер (в пунктах), который должен быть использован для визуализации этого значения на карте.