[PYTHON] Visualisierung von Daten nach Präfektur

Was ist das

Ich habe eine Bibliothek (Japanmap) für ** Python3 ** erstellt, die die Karte Japans nach Präfektur farblich kodiert. Das Ausführungsbeispiel wird auf dem Jupyter-Notizbuch bestätigt.

Installation

Du kannst es mit pip machen. numpy [^ 1], OpenCV und Pillow sind ebenfalls installiert. xlrd wird zum Lesen von Excel-Dateien verwendet.

bash

pip install -U japanmap jupyter matplotlib pandas xlrd

Was ist ein Präfekturcode?

Präfekturcode (im Folgenden als Präfekturcode abgekürzt) ist 01 für jede durch JIS X 0401 definierte Präfektur. Ab 47 Codes. Das Programm behandelt es als Ganzzahl (ignoriert die führende 0).

Bestätigung des Präfekturnamens

Sie finden den Präfekturnamen für jeden Präfekturcode mit pref_names.

python3

from japanmap import pref_names
pref_names[1]
>>>
'Hokkaido'

Den Präfekturcode für den Präfekturnamen finden Sie mit pref_code.

python3

from japanmap import pref_code
pref_code('Kyoto'), pref_code('Kyoto府')
>>>
(26, 26)

Sie finden den Präfekturcode für jede der acht regionalen Abteilungen in Gruppen.

python3

from japanmap import groups
groups['Kanto']
>>>
[8, 9, 10, 11, 12, 13, 14]

Weiße Karte

Sie können eine weiße Karte (Rasterdaten) mit Bild erhalten.

python3

%config InlineBackend.figure_formats = {'png', 'retina'}
%matplotlib inline
import matplotlib.pyplot as plt
from japanmap import picture
plt.rcParams['figure.figsize'] = 6, 6
plt.imshow(picture());

Sie können die Präfektur auch mit Farbe bemalen.

python3

plt.imshow(picture({'Hokkaido': 'blue'}));

In PNG-Datei speichern

Sie können es in einer Datei mit savefig speichern.

python3

plt.imshow(picture({'Hokkaido': 'blue'}))
plt.savefig('japan.png')

Benachbarte Informationen

Mit is_faced2sea können Sie sehen, ob der Bereich einschließlich des Bürostandorts für den Präfekturcode zum Meer zeigt.

python3

from japanmap import is_faced2sea
for i in [11, 26]:
    print(pref_names[i], is_faced2sea(i))
>>>
Präfektur Saitama Falsch
Präfektur Kyoto stimmt

Mit is_sandwiched2sea können Sie sehen, ob der Bereich einschließlich des Bürostandorts für den Präfekturcode zwischen dem Meer liegt. (Gibt es zwei oder mehr nicht durchgehende Strände?)

python3

from japanmap import is_sandwiched2sea
for i in [2, 28]:
    print(pref_names[i], is_sandwiched2sea(i))
>>>
Präfektur Aomori Falsch
Präfektur Hyogo stimmt

Angrenzend wird der Präfekturcode angezeigt, in dem der Bereich einschließlich des Standortes der Agentur neben dem Präfekturcode liegt.

python3

from japanmap import adjacent
for i in [2, 20]:
    print(pref_names[i], ':', ' '.join([pref_names[j] for j in adjacent(i)]))
>>>
Präfektur Aomori:Präfektur Iwate Präfektur Akita
Präfektur Nagano:Präfektur Gunma Präfektur Saitama Präfektur Niigata Präfektur Toyama Präfektur Yamanashi Präfektur Gifu Präfektur Shizuoka Präfektur Aichi

Grenzvektordaten

Mit get_data können Sie die Punkteliste und die Punktindexliste jeder Präfektur abrufen. Sie können dies verwenden, um eine Liste der Präfekturgrenzen (Indexliste) mit pref_points abzurufen.

python3

from japanmap import get_data, pref_points
qpqo = get_data()
pnts = pref_points(qpqo)
pnts[0]  #Grenzkoordinaten von Hokkaido(Längengrad Breitengrad)aufführen
>>>
[[140.47133887410146, 43.08302992960164],
 [140.43751046098984, 43.13755540826223],
 [140.3625317793531, 43.18162745988813],
...

Sie können die Randdaten mit pref_map visualisieren.

python3

from japanmap import pref_map
svg = pref_map(range(1,48), qpqo=qpqo, width=2.5)
svg

In SVG-Datei speichern

pref_map ist im SVG-Format. Sie können es wie folgt in einer Datei speichern.

python3

with open('japan.svg', 'w') as fp:
    fp.write(svg.data)

Ein Beispiel für Graustufen nur in Kanto.

python3

pref_map(groups['Kanto'], cols='gray', qpqo=qpqo, width=2.5)

Konvertieren Sie das Flächenverhältnis der Präfektur anhand der Präfekturdaten (Bevölkerung).

Konvertieren wir das Flächenverhältnis auf der Karte durch das Bevölkerungsverhältnis. Bevölkerungsdaten von "Ich sehe, Statistikakademie" des Statistikbüros des Ministeriums für innere Angelegenheiten und Kommunikation Drücken Sie 2017 auf "Source Statistics Table" am unteren Bildschirmrand Laden wir die Datei (a00400.xls) der Bevölkerung [^ 2] nach Präfektur herunter.

python3

import pandas as pd
df = pd.read_excel('a00400.xls', usecols=[9, 12, 13, 14], skiprows=18, skipfooter=3,
                   names='Präfektur Männer und Frauen insgesamt Männer und Frauen'.split()).set_index('Präfekturen')
df[:3]

Zeigen wir sie in absteigender Reihenfolge des Bevölkerungsverhältnisses an. "5,09", das Verhältnis von Tokio, entspricht dem 5,09-fachen des Präfektur-Durchschnitts.

python3

df['Verhältnis'] = df.Geschlecht insgesamt/ df.Geschlecht insgesamt.mean()
df.sort_values('Verhältnis', ascending=False)[:10]

python3

from japanmap import trans_area
qpqo = get_data(True, True, True)
pref_map(range(1,48), qpqo=trans_area(df.Präfektur Shizuoka Lassen Sie es uns visualisieren. Sie können die Fläche der Präfektur mit `trans_area` in das angegebene Verhältnis umwandeln. Wenn beispielsweise das Umwandlungsverhältnis für jede Präfektur "[2, 1, 1, 1, ...]" beträgt, hat Hokkaido die doppelte ursprüngliche Fläche und andere Präfekturen haben das gleiche Verhältnis wie die ursprüngliche Fläche. Im Folgenden wird die Fläche verdoppelt, wenn die Bevölkerung doppelt so hoch ist wie der Durchschnitt. Geschlecht insgesamt, qpqo), width=2.5)

Ich habe versucht, es rau zu machen und die Verzerrung so weit wie möglich zu reduzieren, aber es ist ziemlich schwerwiegend.

Visualisieren Sie die Bevölkerung auf einer weißen Karte

Mit den folgenden Schritten können Sie die Präfektur mit einer großen Population in Dunkelrot visualisieren.

python3

cmap = plt.get_cmap('Reds')
norm = plt.Normalize(vmin=df.Geschlecht insgesamt.min(), vmax=df.Geschlecht insgesamt.max())
fcol = lambda x: '#' + bytes(cmap(norm(x), bytes=True)[:3]).hex()
plt.colorbar(plt.cm.ScalarMappable(norm, cmap))
plt.imshow(picture(df.Geschlecht insgesamt.apply(fcol)));

4 Farbproblem

Lösen Sie das 4-Farben-Problem mithilfe von Adjazenzinformationen Lass uns gehen.

Malen wir ganz Japan mit 4 Farben, so dass eine Präfektur eine Farbe ist und die benachbarten Präfekturen unterschiedlich sind. Das Problem, benachbarten Objekten auf diese Weise unterschiedliche Farben zuzuweisen, wird als Vertex-Farbproblem bezeichnet. Das Problem der Scheitelpunktfärbung besteht darin, den Scheitelpunkten mit der minimalen Anzahl von Farben Farben zuzuweisen, sodass benachbarte Scheitelpunkte im Diagramm unterschiedliche Farben haben. Als Anwendung hierfür besteht beispielsweise ein Problem beim Bestimmen der Frequenz für jede Basisstation eines Mobiltelefons. (Unterschiedliche Farben → unterschiedliche Frequenzen → Sie können sprechen, da die Funkwellen nicht stören)

Lösen Sie das 4-Farben-Problem

Es wurde mathematisch bewiesen, dass unabhängig von der ebenen Karte die angrenzenden Bereiche unterschiedlich sind und die Farben immer innerhalb von 4 Farben liegen. Es ist jedoch nicht offensichtlich, wie sie separat zu malen sind. Hier lösen wir die mathematische Optimierung.

Die mathematische Optimierung wird verwendet, um Dinge wie die Kostenminimierung zu lösen, kann aber auch Probleme mit Einschränkungen ohne Zielfunktion lösen. Das für die mathematische Optimierung verwendete Paket PuLP finden Sie unter Python in Optimization.

• Im mathematischen Modell (1) müssen drei Dinge entschieden werden: variable Darstellung, Zielfunktion und Randbedingungen. --Variable Darstellung: Bereiten Sie 47 Präfekturen x 4 Farben und 188 Variablen vor, die nur 0 oder 1 annehmen. Solche Variablen werden binäre Variablen genannt. Variablen werden in einer Tabelle in Paketpandas verwaltet. Mithilfe dieser Variablentabelle (2) können Sie die Einschränkungsbedingungen auf leicht verständliche Weise schreiben.
• Objektive Funktion: Dieses Mal werden wir sie nicht maximieren, also werden wir sie nicht einstellen. In PuLP kann es ausgeführt werden, ohne die Zielfunktion festzulegen.
• Einschränkung: Eine Farbe für jede Präfektur (3). Benachbarte Präfekturen sollten unterschiedliche Farben haben (4).
• Sobald Sie ein mathematisches Modell haben, können Sie die Lösung finden, indem Sie einfach den Solver (5) ausführen. Solver ist eine Software, die mathematische Modelle löst und bei der Installation von Zellstoff installiert wird.
• Das Ergebnis kann durch Aufrufen des Werts für die Variable bestätigt werden. Hier wird der Variablentabelle eine neue Spalte "Val" hinzugefügt und das Ergebnis gesetzt (6). Wenn Sie die Zeile abrufen, in der diese neue Spalte ungleich Null ist, kennen Sie die Farbe, die für die Präfektur gemalt werden soll.

Zum Ausführen benötigen Sie zusätzliches PuLP und ortoolpy (pip install pulp ortoolpy).

python3

import pandas as pd
from ortoolpy import model_min, addbinvars, addvals
from pulp import lpSum
from japanmap import pref_names, adjacent, pref_map
m = model_min()  #Mathematisches Modell(1)
df = pd.DataFrame([(i, pref_names[i], j) for i in range(1, 48) for j in range(4)], 
                  columns=['Code', 'Präfektur', 'Farbe'])
addbinvars(df)  #Variablentabelle(2)
for i in range(1, 48):
    m += lpSum(df[df.Code == i].Var) == 1  #1 Präfektur 1 Farbe(3)
    for j in adjacent(i):
        for k in range(4):  #Verschiedene Farben für benachbarte Präfekturen(4)
            m += lpSum(df.query('Code.isin([@i, @j])und Farbe== @k').Var) <= 1
m.solve()  #Lösung(5)
addvals(df)  #Ergebniseinstellung(6)
Vier Farben= ['red', 'blue', 'green', 'yellow']
cols = df[df.Val > 0].Farbe.apply(四Farbe.__getitem__).reset_index(drop=True)
pref_map(range(1, 48), cols=cols, width=2.5)

[^ 1]: numpy ist eine Bibliothek linearer Algebra wie die Matrixberechnung. Als ähnliche Software wurde häufig MATLAB verwendet. Da sich numpy und MATLAB auf derselben Basis befinden, gibt es keinen großen Leistungsunterschied. Obwohl MATLAB aufgeladen ist, haben Python und Numpy den Vorteil, dass sie kostenlos verwendet werden können. [^ 2]: Tabelle 2 Präfektur, Geschlechterbevölkerung und Bevölkerungsverhältnis - Gesamtbevölkerung, japanische Bevölkerung (Stand 1. Oktober 2014) (Excel: 41 KB)