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.

Stadsområden är dynamiska landskap formade av befolkningstillväxt, infrastruktur och förändrad markanvändning. När du utforskar urbana rumsliga data börjar du ofta med att undersöka gränserna för en stad eller storstadsregion. Att förstå dessa gränser hjälper dig att sätta mönster som **täthet**, **tillgänglighet** och **grannskapsstruktur** i sitt sammanhang. Med Python och biblioteket `geopandas` kan du enkelt ladda, inspektera och visualisera stadsområdesgränser, vilket är ett grundläggande steg i geospatial analys.

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()

När du har laddat och visualiserat stadsområdesgränserna kan du gå vidare till att analysera deras rumsliga attribut. Viktiga statistikmått som **total yta** och **befolkningstäthet** avslöjar mycket om strukturen och utmaningarna i urbana miljöer. Genom att använda de rumsliga och tabulära funktionerna i `geopandas` kan du effektivt beräkna dessa statistikmått och sammanfatta resultaten för vidare tolkning.


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

Fördjupa dig i grunderna för geospatial dataanalys med Python. Denna kurs på mellannivå introducerar dig till kärnkoncept och praktiska tillämpningar av geospatial analys, med fokus på verkliga dataset och praktiska projekt. Du lär dig att manipulera, visualisera och analysera rumsliga data med Python och populära bibliotek, med särskild tonvikt på geopandas. Kursen är utformad för att vara engagerande och innehåller interaktiva rutnät, videor och quiz för att förstärka ditt lärande.

Utforska grunderna i geospatial data, koordinatsystem och de viktigaste verktygen för rumslig analys i Python. Denna sektion lägger grunden för arbete med rumsliga dataset och introducerar geopandas i detalj, inklusive dess centrala datastrukturer, läs- och skrivfunktioner samt integration med pandas och matplotlib.

Fördjupa dig i centrala tekniker för rumslig analys, inklusive rumsliga joins, överlägg och aggregeringar, med hjälp av geopandas och visualiseringsbibliotek. Detta avsnitt täcker avancerade geopandas-metoder för att kombinera, jämföra och sammanfatta rumsliga dataset, samt bästa praxis för visualisering av rumsliga data.

Få en gedigen förståelse för verkliga geospatiala dataset och scenarier, med fokus på praktiska analys- och visualiseringsutmaningar. Detta avsnitt betonar projektbaserat lärande och syntes av geospatiala analystekniker.

Analys av urbana områden

Lösning