Lære Avansert Plotting med Matplotlib og Seaborn

Sveip for å vise menyen

Når du arbeider med geografiske data, er effektiv visualisering avgjørende for å avdekke mønstre og formidle innsikt. Pythons matplotlib- og seaborn-biblioteker gir kraftige verktøy for å forbedre romlige diagrammer, slik at du kan tilpasse farger, legge til informative forklaringer, sette beskrivende titler og legge flere datalag oppå hverandre. Ved å mestre disse teknikkene kan du lage tydelige, overbevisende kart og visualiseringer som fremhever viktige romlige sammenhenger.

Tilpasning av romlige diagrammer starter ofte med å kontrollere utseendet på dataene dine. Du kan angi farger for å representere ulike kategorier eller verdier, justere gjennomsiktighet for å vise overlappende elementer, og bruke forklaringer for å forklare visuelle koder. Å legge til titler og aksetiketter hjelper seerne med å tolke diagrammene raskt. Å legge flere lag oppå hverandre—som veier over administrative grenser—kan gi dypere kontekst for romlig analyse.


              12345678910111213141516171819202122232425262728293031323334
            
import geopandas as gpd
import matplotlib.pyplot as plt


url = "https://naciscdn.org/naturalearth/110m/cultural/ne_110m_admin_0_countries.zip"
world = gpd.read_file(url)

# Create a plot with customizations
fig, ax = plt.subplots(figsize=(12, 8))

# Plot countries, coloring by continent 
world.plot(column='CONTINENT', 
           cmap='Set2', 
           edgecolor='black', 
           linewidth=0.5, 
           legend=True, 
           ax=ax, 
           alpha=0.8)

# Overlay country boundaries with a thicker line for emphasis
world.boundary.plot(ax=ax, color='gray', linewidth=1.5)

# Add a title and axis labels
ax.set_title('World Countries by Continent', fontsize=18)
ax.set_xlabel('Longitude')
ax.set_ylabel('Latitude')

# Customize legend position so it doesn't overlap the map
leg = ax.get_legend()
if leg:
    leg.set_bbox_to_anchor((1.15, 0.5))

plt.tight_layout()
plt.show()

Merknad

Kolonnenavnet i det offisielle datasettet er CONTINENT

I tillegg til kartbaserte visualiseringer kan det være nyttig å utforske fordelingen av romlige attributter — som areal, befolkning eller tetthet — ved hjelp av statistiske diagrammer. Seaborn er spesielt nyttig for dette formålet, og lar deg lage histogrammer, spredningsdiagrammer og mer, alt med attraktive standardstiler og enkel tilpasning. Ved å kombinere seaborn med romlige data kan du raskt identifisere trender og avvik i datasett, noe som gir grunnlag for dypere romlig analyse.


              1234567891011121314151617181920212223242526272829303132
            
import geopandas as gpd
import seaborn as sns
import matplotlib.pyplot as plt

# Load sample data directly from the official URL
url = "https://naciscdn.org/naturalearth/110m/cultural/ne_110m_admin_0_countries.zip"
world = gpd.read_file(url)

# The official dataset doesn't have a pre-made 'area' column, so we calculate it.
# Note: This calculates area in decimal degrees based on the WGS84 projection.
world['area'] = world.geometry.area

# Plot a histogram of country areas
plt.figure(figsize=(10, 6))
# 'area' is our new custom column, kde=True adds the density curve
sns.histplot(world['area'], bins=30, color='skyblue', kde=True)
plt.title('Distribution of Country Areas')
plt.xlabel('Area (sq. degrees)')
plt.ylabel('Number of Countries')
plt.tight_layout()
plt.show()

# Plot a scatter plot of population vs. area
plt.figure(figsize=(10, 6))
# Adjusted column names to match the official dataset: 'POP_EST' and 'CONTINENT'
sns.scatterplot(x='area', y='POP_EST', data=world, hue='CONTINENT', palette='Set2')
plt.title('Country Population vs. Area by Continent')
plt.xlabel('Area (sq. degrees)')
plt.ylabel('Estimated Population')
plt.legend(title='Continent', bbox_to_anchor=(1.05, 1), loc='upper left')
plt.tight_layout()
plt.show()

Alt var klart?

Takk for tilbakemeldingene dine!

Seksjon 2. Kapittel 4

Spør AI

Spør om hva du vil, eller prøv ett av de foreslåtte spørsmålene for å starte chatten vår

Seksjon 2. Kapittel 4