📥 Øving 3#

I denne øvingen skal du jobbe med å lese og bruke romlige data ved hjelp av GeoPandas.

Øvingsoppgaven finner du på Canvas under Oppgaver, eller på dette GitHub-repoet.

Last den ned, åpne den i Jupyter Notebooks/Lab eller den editoren du bruker og følg instruksjonene i Notebooken. Lever den så inn på Canvas.

Tips til oppgaven:#

Pandas apply()-metoden:#

Pandas’ DataFrames har en metode apply() som kjører en brukerdefinert funksjon på hver rad eller på hver kolonne (avhengig av axis-parameteren, hvis axis=1, fungerer apply() på rader).

Resultatene av å kjøre funksjonen gjentatte ganger (parallelt, for å være presis) samles i en pandas.GeoSeries som er returverdien av apply() og kan tilordnes til en ny kolonne eller rad.

For eksempel kan dette brukes for å lage punkt-geometrier:

def create_point(row):
    """Create a Point geometry from a row with x and y values."""
    point = shapely.geometry.Point(row["x"], row["y"])
    return point

point_series = data.apply(create_point, axis=1)

Bruke en anonym lambda-funksjon med apply()#

Til slutt, for enkle funksjoner som passer på en enkelt linje, kan vi sende funksjonen inn i såkalt ‘lambda-notasjon’. Lambda-funksjoner følger syntaksen lambda argumenter: returverdi, dvs. nøkkelordet lambda etterfulgt av ett eller flere, kommaseparerte argumentnavn (inputvariabler), et kolon (:), og returverdi-setningen (f.eks. en beregning). En lambda-funksjon som aksepterer to argumenter og returnerer summen av dem, vil se slik ut: lambda a, b: (a + b).

Lambda-funksjoner kan bare brukes der de er definert, men tilbyr en praktisk snarvei for å slippe separate funksjoner for enkle uttrykk. De er svært vanlige i datavitenskapsprosjekter, men bør ikke brukes for mye: som en tommelfingerregel, ikke bruk lambda-funksjoner hvis koden deres ikke passer på en (kort) linje.

Les mer om lambda-funksjoner i Python-dokumentasjonen

Konvertere en pandas.DataFrame til en geopandas.GeoDataFrame#

Noen ganger jobber vi med data som er i et ikke-romlig format (som Excel eller CSV-regneark) men inneholder informasjon om plasseringen av poster, for eksempel, i kolonner for lengde- og breddegradverdier. Mens geopandas sin read_file()-funksjon kan lese noen formater, er det ofte tryggest å bruke pandas for å lese datasettet og deretter konvertere det til en GeoDataFrame.

La oss anta at vi leser følgende tabell ved å bruke pandas.read_csv() inn i en variabel df:

df
longitude latitude
0 24.9557 60.1555
1 24.8353 60.1878
2 24.9587 60.2029

geopandas.GeoDataFrame()-konstruktøren aksepterer en pandas.DataFrame som input, men den fyller ikke automatisk geometry-kolonnen. Biblioteket kommer imidlertid med en praktisk hjelpefunksjon geopandas.points_from_xy(). Som vi alle vet, bør et romlig datasett alltid ha et koordinatreferansesystem (CRS) definert; vi kan spesifisere CRS for inngangsdataene her også:

import geopandas

gdf = geopandas.GeoDataFrame(
    df,
    geometry=geopandas.points_from_xy(df.longitude, df.latitude),
    crs="EPSG:4326"
)

gdf
longitude latitude geometry
0 24.9557 60.1555 POINT (24.9557 60.1555)
1 24.8353 60.1878 POINT (24.8353 60.1878)
2 24.9587 60.2029 POINT (24.9587 60.2029)

Opprette en ny geopandas.GeoDataFrame: med ordbok#

Ofte er det mer praktisk og mer elegant å først opprette en ordbok (dictionary) for å samle data, som deretter kan konverteres til en dataframe på en gang.

For dette, definer først en dict med kolonnenavnene som nøkler, og tomme lister som verdier:

data = {
    "navn": [],
    "geometry": []
}

Deretter fyller du ordboken med data:

import shapely.geometry

data["navn"].append("Stortorget")
data["geometry"].append(
    shapely.geometry.Polygon(
        [
            (10.744868,59.913090),
            (10.744548,59.912731),
            (10.745796,59.912435),
            (10.746048,59.912704)
        ]
    )
)

Til slutt, bruk denne ordboken som input for en ny GeoDataFrame. Ikke glem å spesifisere et CRS:

ny_geodataframe = geopandas.GeoDataFrame(data, crs="EPSG:4326")
ny_geodataframe
navn geometry
0 Stortorget POLYGON ((10.74487 59.91309, 10.74455 59.91273...