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.

Kaupunkialueet ovat dynaamisia ympäristöjä, joita muovaavat väestönkasvu, infrastruktuuri ja muuttuva maankäyttö. Kaupungin tai metropolialueen rajojen tarkastelu on usein ensimmäinen askel kaupunkien spatiaalisen datan analysoinnissa. Näiden rajojen ymmärtäminen auttaa kontekstualisoimaan ilmiöitä kuten **väestötiheys**, **saavutettavuus** ja **naapurustorakenne**. Pythonin ja `geopandas`-kirjaston avulla kaupunkialueiden rajat voidaan helposti ladata, tarkastella ja visualisoida, mikä muodostaa paikkatietoanalyyseissä perustan jatkotyöskentelylle.

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()

Kun kaupunkialueiden rajat on ladattu ja visualisoitu, voidaan siirtyä niiden spatiaalisten ominaisuuksien analysointiin. Keskeiset tilastot, kuten **kokonaispinta-ala** ja **väestötiheys**, paljastavat paljon kaupunkiympäristöjen rakenteesta ja haasteista. Hyödyntämällä `geopandas`-kirjaston spatiaalista ja taulukkomuotoista käsittelyä näiden tilastojen laskeminen ja tulosten tiivistäminen jatkoanalyysiä varten onnistuu tehokkaasti.


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

Sukella paikkatietoanalyysin perusteisiin Pythonilla. Tämä keskitason kurssi esittelee paikkatietoanalyysin ydinkäsitteet ja käytännön sovellukset, keskittyen todellisiin aineistoihin ja käytännön projekteihin. Opit käsittelemään, visualisoimaan ja analysoimaan paikkatietoa Pythonilla ja suosituilla kirjastoilla, erityisesti geopandasilla. Kurssi on suunniteltu mukaansatempaavaksi, sisältäen interaktiivisia taulukoita, videoita ja tietovisoja oppimisen tukemiseksi.

Tutustu paikkatietoaineistojen perusteisiin, koordinaattijärjestelmiin ja keskeisiin työkaluihin spatiaalisen analyysin toteuttamiseksi Pythonilla. Tämä osio luo perustan paikkatietoaineistojen käsittelylle ja esittelee geopandas-kirjaston yksityiskohtaisesti, mukaan lukien sen ydintietorakenteet, luku- ja kirjoitusominaisuudet sekä integraation pandas- ja matplotlib-kirjastojen kanssa.

Syvenny keskeisiin spatiaalisen analyysin tekniikoihin, kuten spatiaalisiin liitoksiin, päällekkäisyyksiin ja aggregointeihin, hyödyntäen geopandasia ja visualisointikirjastoja. Tässä osiossa käsitellään edistyneitä geopandas-menetelmiä spatiaalisten aineistojen yhdistämiseen, vertailuun ja tiivistämiseen sekä parhaisiin käytäntöihin spatiaalisen datan visualisoinnissa.

Hanki vankka ymmärrys todellisten paikkatietoaineistojen ja -tilanteiden käsittelystä, keskittyen käytännön analyysi- ja visualisointihaasteisiin. Tässä osiossa painotetaan projektipohjaista oppimista ja paikkatietoanalyyttisten menetelmien yhdistämistä.

Kaupunkialueiden analyysi

Ratkaisu