Summary  
This chapter demonstrates how to use GeoPandas to load and inspect vector spatial data, visualize polygon boundaries, and calculate spatial attributes such as area and density.  

General domain of usage  
Urban area analysis

This video presents a case study involving a real urban area dataset. You will be introduced to the dataset's structure, the main questions guiding the analysis, and the workflow for exploring urban boundaries, land use, and population trends using Python geospatial tools. The video demonstrates the importance of spatial data in uncovering urban patterns and sets the stage for hands-on analysis.

Byområder er dynamiske landskaber formet af befolkningstilvækst, infrastruktur og ændringer i arealanvendelse. Når du undersøger rumlige data for byområder, starter du ofte med at analysere grænserne for en by eller metropolregion. Forståelse af disse grænser hjælper med at sætte mønstre som **tæthed**, **tilgængelighed** og **kvartersstruktur** i kontekst. Med Python og biblioteket `geopandas` kan du nemt indlæse, inspicere og visualisere byområders grænser, hvilket er et grundlæggende skridt i geospatiel analyse.

import geopandas as gpd
import matplotlib.pyplot as plt

# Load urban area boundaries from a GeoJSON file (example URL)
url = "https://raw.githubusercontent.com/datasets/geo-boundaries-world-110m/master/countries.geojson"
urban_areas = gpd.read_file(url)

# Inspect the first few records and their attributes
print(urban_areas.head())

# Plot the urban area boundaries
fig, ax = plt.subplots(figsize=(10, 6))
urban_areas.plot(ax=ax, edgecolor="black", facecolor="lightgray")
ax.set_title("Urban Area Boundaries")
plt.show()

Når du har indlæst og visualiseret byområders grænser, kan du fortsætte med at analysere deres rumlige egenskaber. Centrale statistikker som **samlet areal** og **befolkningstæthed** afslører meget om strukturen og udfordringerne i bymiljøer. Ved at udnytte de rumlige og tabelbaserede funktioner i `geopandas` kan du effektivt beregne disse statistikker og opsummere resultaterne til videre fortolkning.


import unittest
import user_code
import ast
import re   
import importlib
import csv
import unittest
import importlib
import sys
import io
from contextlib import redirect_stdout

class TestTask(unittest.TestCase):
    def setUp(self):
        self.url = "https://raw.githubusercontent.com/datasets/geo-boundaries-world-110m/master/countries.geojson"
        self.population_column = "POP_EST"

    def test_loads_geospatial_data(self):
        import user_code
        importlib.reload(user_code)
        # Patch print to capture output
        f = io.StringIO()
        with redirect_stdout(f):
            user_code.summarize_urban_area_stats(self.url, population_column=None)
        output = f.getvalue()
        _dynamic_test(
            self,
            "area_sqkm" in output,
            "Function prints summary with area_sqkm column.",
            f"Expected 'area_sqkm' in printed output, got: {output}"
        )

    def test_area_sqkm_calculation(self):
        import user_code
        importlib.reload(user_code)
        # Patch print to capture output
        f = io.StringIO()
        with redirect_stdout(f):
            user_code.summarize_urban_area_stats(self.url, population_column=None)
        output = f.getvalue()
        # Check that area_sqkm values are present and numeric
        found_numeric = False
        for line in output.splitlines():
            if "area_sqkm" in line:
                continue
            fields = line.split()
            if len(fields) >= 2:
                try:
                    val = float(fields[1])
                    found_numeric = True
                except Exception:
                    continue
        _dynamic_test(
            self,
            found_numeric,
            "Area in square kilometers is calculated and printed.",
            "Area values are not numeric or missing from output."
        )

    def test_population_density_calculation(self):
        import user_code
        importlib.reload(user_code)
        f = io.StringIO()
        with redirect_stdout(f):
            user_code.summarize_urban_area_stats(self.url, population_column=self.population_column)
        output = f.getvalue()
        # Look for population_density column header and at least one numeric value below it
        found_density_header = "population_density" in output
        found_numeric_density = False
        for line in output.splitlines():
            if "population_density" in line:
                continue
            fields = line.split()
            if len(fields) >= 3:
                try:
                    val = float(fields[2])
                    found_numeric_density = True
                except Exception:
                    continue
        _dynamic_test(
            self,
            found_density_header and found_numeric_density,
            "Population density column is printed with numeric values.",
            "Population density column or its values are missing or not numeric."
        )

    def test_summary_first_three_areas(self):
        import user_code
        importlib.reload(user_code)
        f = io.StringIO()
        with redirect_stdout(f):
            user_code.summarize_urban_area_stats(self.url, population_column=self.population_column)
        output = f.getvalue()
        # Count the number of data lines (skip header)
        lines = [l for l in output.splitlines() if l.strip() and not l.startswith("  name") and not l.startswith("name")]
        # Remove header line(s)
        if lines and ("area_sqkm" in lines[0] or "population_density" in lines[0]):
            lines = lines[1:]
        _dynamic_test(
            self,
            2 <= len(lines) <= 3,
            "Function prints summary for first three urban areas.",
            f"Expected 2 or 3 summary rows, got {len(lines)}."
        )

def _dynamic_test(test_case, condition, success_message, failure_message):
    if condition:
        test_case._testMethodName = success_message
        test_case.assertTrue(True, success_message)
    else:
        test_case._testMethodName = failure_message
        test_case.fail(failure_message)

def normalize_text(text):
    text = text.lower()
    text = re.sub(r"\\s{2,}", " ", text)
    text = re.sub(r"\\s*([,:?])\\s*", r"\\1 ", text)
    return text.strip()

def change_var(code: str, var_name: str, value: str) -> str:
    tree = ast.parse(code)
    lines = code.splitlines()
    changed = False
    # Collect all assignment nodes to modify
    assign_nodes = [
        (i, node)
        for i, node in enumerate(tree.body)
        if isinstance(node, ast.Assign)
        and any(isinstance(target, ast.Name) and target.id == var_name for target in node.targets)
    ]

    # If nothing to change, return unmodified code
    if not assign_nodes:
        return code

    # Perform replacements for all matching assignments (from last to first to not break line offsets)
    for i, node in reversed(assign_nodes):
        start_line = node.lineno - 1
        line = lines[start_line]
        indent = ' ' * (len(line) - len(line.lstrip()))
        lines[start_line] = f"{indent}{var_name} = {value}"
        next_line = len(lines)
        for next_node in tree.body[i+1:]:
            if hasattr(next_node, 'lineno'):
                next_line = next_node.lineno - 1
                break
        if next_line > start_line + 1:
            lines[start_line+1:next_line] = []
        changed = True

    return '\\n'.join(lines) if changed else code

if __name__ == "__main__":
    unittest.main()


test_main.py

Dyk ned i grundlæggende geospatiel dataanalyse med Python. Dette mellemniveaukursus introducerer dig til kernekoncepter og praktiske anvendelser af geospatiel analyse med fokus på virkelige datasæt og praktiske projekter. Du lærer at manipulere, visualisere og analysere spatiale data ved hjælp af Python og populære biblioteker, med særlig vægt på geopandas. Kurset er designet til at være engagerende og indeholder interaktive gittere, videoer og quizzer for at styrke din læring.

Udforsk det grundlæggende inden for geospatiale data, koordinatsystemer og de væsentlige værktøjer til rumlig analyse i Python. Dette afsnit danner grundlaget for at arbejde med spatiale datasæt og introducerer geopandas i detaljer, herunder dets kerne-datastrukturer, læse-/skrivefunktioner og integration med pandas og matplotlib.

Dyk ned i centrale rumlige analyseteknikker, herunder rumlige joins, overlays og aggregeringer, ved brug af geopandas og visualiseringsbiblioteker. Dette afsnit dækker avancerede geopandas-metoder til at kombinere, sammenligne og opsummere rumlige datasæt samt bedste praksis for visualisering af rumlige data.

Opnå en solid forståelse af geospatiale datasæt og scenarier fra den virkelige verden med fokus på praktiske analyse- og visualiseringsudfordringer. Dette afsnit lægger vægt på projektbaseret læring og syntese af geospatiale analyseteknikker.

Analyse af byområder

Løsning