import unittest
import user_code
import ast
import re   
import importlib
import csv
import matplotlib
matplotlib.use('Agg')
import matplotlib.pyplot as plt
import geopandas as gpd
import numpy as np

class TestTask(unittest.TestCase):
    def setUp(self):
        from shapely.geometry import Polygon
        poly1 = Polygon([(0,0),(1,0),(1,1),(0,1)])
        poly2 = Polygon([(2,2),(3,2),(3,3),(2,3)])
        self.gdf1 = gpd.GeoDataFrame({'attr':[10, 20], 'geometry':[poly1, poly2]})
        self.gdf2 = gpd.GeoDataFrame({'attr':[30, 40], 'geometry':[poly1, poly2]})
        self.attribute = 'attr'
        self.title1 = 'Test1'
        self.title2 = 'Test2'

    def test_two_subplots_in_grid(self):
        import user_code
        importlib.reload(user_code)
        plt.close('all')
        user_code.plot_comparison_grid(self.gdf1, self.gdf2, self.attribute, self.title1, self.title2)
        figs = list(map(plt.figure, plt.get_fignums()))
        _dynamic_test(
            self,
            len(figs) > 0,
            'At least one figure is created.',
            'No figure was created.'
        )
        fig = figs[-1]
        axes = fig.get_axes()
        
        # The first two axes created are always the main geographic subplots
        main_axes = axes[:2]
        _dynamic_test(
            self,
            len(main_axes) == 2,
            'Figure has two subplots (axes) as required.',
            f'Expected 2 main subplots, got {len(main_axes)}.'
        )

    def test_each_subplot_visualizes_attribute(self):
        import user_code
        importlib.reload(user_code)
        plt.close('all')
        user_code.plot_comparison_grid(self.gdf1, self.gdf2, self.attribute, self.title1, self.title2)
        fig = plt.gcf()
        axes = fig.get_axes()
        main_axes = axes[:2]
        
        for ax in main_axes:
            found = False
            for c in ax.collections:
                if hasattr(c, 'cmap'):
                    found = True
            _dynamic_test(
                self,
                found,
                'Each subplot visualizes the attribute with a colored collection.',
                'No colored collection found on subplot.'
            )

    def test_same_colormap_and_legend(self):
        import user_code
        importlib.reload(user_code)
        plt.close('all')
        user_code.plot_comparison_grid(self.gdf1, self.gdf2, self.attribute, self.title1, self.title2)
        fig = plt.gcf()
        axes = fig.get_axes()
        
        main_axes = axes[:2]
        cmaps = [c.cmap.name for ax in main_axes for c in ax.collections if hasattr(c, 'cmap')]
        _dynamic_test(
            self,
            len(cmaps) >= 2 and cmaps[0] == cmaps[1],
            'Both subplots use the same color map.',
            f'Colormaps used: {cmaps}'
        )
        
        # When legend=True, GeoPandas appends extra colorbar axes to the figure container
        colorbar_found = len(axes) > 2
        _dynamic_test(
            self,
            colorbar_found,
            'At least one legend (colorbar) is present.',
            'No legend (colorbar) found.'
        )

    def test_axes_removed(self):
        import user_code
        importlib.reload(user_code)
        plt.close('all')
        user_code.plot_comparison_grid(self.gdf1, self.gdf2, self.attribute, self.title1, self.title2)
        fig = plt.gcf()
        axes = fig.get_axes()
        
        # Only check the main map axes for visibility removal (colorbars require visible ticks)
        main_axes = axes[:2]
        for ax in main_axes:
            _dynamic_test(
                self,
                not ax.axison or (not ax.get_xaxis().get_visible() and not ax.get_yaxis().get_visible()),
                'Axes are removed from subplot.',
                'Axes are visible on subplot.'
            )

    def test_titles_present(self):
        import user_code
        importlib.reload(user_code)
        plt.close('all')
        user_code.plot_comparison_grid(self.gdf1, self.gdf2, self.attribute, self.title1, self.title2)
        fig = plt.gcf()
        axes = fig.get_axes()
        titles = [ax.get_title() for ax in axes]
        _dynamic_test(
            self,
            self.title1 in titles and self.title2 in titles,
            'Each subplot is labeled with the provided title.',
            f'Titles found: {titles}'
        )

    def test_color_scale_consistency(self):
        import user_code
        importlib.reload(user_code)
        plt.close('all')
        min1 = self.gdf1[self.attribute].min()
        max1 = self.gdf1[self.attribute].max()
        min2 = self.gdf2[self.attribute].min()
        max2 = self.gdf2[self.attribute].max()
        vmin = min(min1, min2)
        vmax = max(max1, max2)
        
        # Patch the absolute base rendering function of the geopandas library
        import geopandas.plotting as gplotting
        orig_plot_dataframe = gplotting.plot_dataframe
        vmin_used = []
        vmax_used = []
        
        def patched_plot_dataframe(df, *args, **kwargs):
            vmin_used.append(kwargs.get('vmin', None))
            vmax_used.append(kwargs.get('vmax', None))
            return orig_plot_dataframe(df, *args, **kwargs)
            
        gplotting.plot_dataframe = patched_plot_dataframe
        try:
            user_code.plot_comparison_grid(self.gdf1, self.gdf2, self.attribute, self.title1, self.title2)
        finally:
            gplotting.plot_dataframe = orig_plot_dataframe
            
        _dynamic_test(
            self,
            len(vmin_used) == 2 and len(vmax_used) == 2 and all(v == vmin for v in vmin_used) and all(v == vmax for v in vmax_used),
            'Both plots use the same color scale (vmin/vmax) for the attribute.',
            f'vmin used: {vmin_used}, vmax used: {vmax_used}, expected vmin={vmin}, vmax={vmax}'
        )

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)

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.

Challenge: Visualisering av Rumsliga Data med Rutnät

Lösning