1. 引言：GeoPandas简介与安装
想象一下，你手握一副神奇的地图，不仅能清晰展示全球地形地貌，还能轻松叠加各类社会经济数据，甚至进行复杂的地理分析。这就是GeoPandas带给我们的魔力！作为基于Pandas扩展的地理空间数据分析库，它将Pandas的数据处理能力与Geoplotlib、Shapely等库的地理功能完美结合，让地理空间数据处理变得轻松愉快。
要开始这场地球探索之旅，你需要先安装GeoPandas及相关依赖。在命令行输入：
pip install geopandas matplotlib descartes
一切准备就绪，让我们踏上GeoPandas的奇幻旅程！
2. 示例一：加载与可视化世界地图
首先，我们将通过GeoPandas加载世界地图数据。这里使用的是内置的naturalearth_lowres数据集：
import geopandas as gpd
world = gpd.read_file(gpd.datasets.get_path('naturalearth_lowres'))
world.head()
瞧，一个包含国家边界、名称及面积等信息的GeoDataFrame已经呈现在眼前。接下来，用matplotlib绘制这幅世界地图：
world.plot(column='pop_est', cmap='Blues', legend=True)
plt.title('World Population Distribution')
plt.show()
这段代码以人口数量（'pop_est'）为颜色映射，用不同深浅的蓝色展示了全球人口分布情况。一幅生动的世界人口地图就此诞生！
3. 示例二：叠加多层地理信息
地理空间数据的魅力在于能将多种信息在同一张地图上叠加显示。比如，我们想看看各国首都与海岸线的关系：
# 加载世界首都数据
capitals = gpd.read_file(gpd.datasets.get_path('naturalearth_cities'))
# 叠加首都到世界地图
merged = world.set_geometry('geometry').merge(capitals, on='name')
merged.plot(column='capital', color='red', markersize=10, alpha=0.8, legend=False)
# 加载并绘制海岸线数据
coastlines = gpd.read_file(gpd.datasets.get_path('naturalearth_coastline'))
ax = coastlines.plot(color='black', linewidth=0.5)
merged.plot(ax=ax, column='pop_est', cmap='Blues', legend=True)
plt.title('Capitals, Coastlines & Population')
plt.show()
瞧，各国首都以红色点标记，与海岸线、人口分布图层巧妙融合，一幅富含信息的地球画卷展现在眼前！
4. 示例三：计算地理区域内属性统计
GeoPandas还支持对特定区域进行属性统计。假设我们要计算各大洲的人口总量：
# 加载世界大陆数据
continents = gpd.read_file(gpd.datasets.get_path('naturalearth_continents'))
# 计算各大陆人口总量
merged = continents.merge(world, how='inner', left_on='name', right_on='continent')
pop_by_continent = merged.groupby('continent')['pop_est'].sum().reset_index()
print(pop_by_continent)
这段代码将世界地图与大陆数据合并，然后按大陆分组计算人口总和。结果清晰展示了各大洲人口分布概况。
5. 示例四：空间关系查询与邻近分析
GeoPandas强大的空间查询功能使我们能轻松找出满足特定条件的区域。例如，找出距离某城市一定范围内的所有其他城市：
# 选择目标城市
target_city = capitals[capitals['name'] == 'Beijing']
# 计算其他城市与目标城市的距离
distances = capitals.distance(target_city)
# 找出距离小于1000km的城市
nearby_cities = capitals[distances < 1000000]
nearby_cities[['name', 'distance']]
这段代码利用distance()函数计算了所有城市与北京之间的距离，筛选出距离小于1000公里的城市及其具体距离。地理邻近分析就是如此简单！
6. 示例五：地理数据聚合与热力图绘制
最后，我们利用GeoPandas进行地理数据聚合并绘制热力图。例如，统计各经纬度格网的人口密度：
# 将世界地图划分为经纬度网格
grid = world.sjoin(world.geometry.buffer(1).centroid, how='left')
grid['lon'] = grid.geometry.x
grid['lat'] = grid.geometry.y
# 聚合计算每个网格的人口总量
pop_density = grid.groupby(['lon', 'lat'])['pop_est'].sum().reset_index()
# 绘制人口密度热力图
plt.scatter(pop_density['lon'], pop_density['lat'], c=pop_density['pop_est'], s=1, cmap='hot', alpha=0.9)
plt.title('Global Population Density Heatmap')
plt.colorbar(label='Population Density')
plt.show()
这张热力图直观展示了全球人口密度分布，颜色越深表示人口越密集。
结语：进一步学习与应用建议
恭喜你完成这场GeoPandas引领的地球探索之旅！从加载与可视化地图，到叠加多层信息、进行空间统计与分析，再到绘制热力图，你已掌握了GeoPandas的核心功能。未来，无论是城市规划、环境监测，还是商业选址、疫情追踪，GeoPandas都将是你手中不可或缺的地理数据分析利器。
好了，今天的分享就到这里了，我们下期见。如果本文对你有帮助，请动动你可爱的小手指点赞、转发、在看吧！
文末福利
公众号消息窗口回复“编程资料”，获取Python编程、人工智能、爬虫等100+本精品电子书。
