Python pandas 入门 05 JSON（pandas json_normal）

25-01-27 23

本文将分享Pythonpandas入门05JSON的详细内容，并且还将对pandasjson_normal进行详尽解释，此外，我们还将为大家带来关于/opt/conda/lib/python3.6/s

本文将分享Python pandas 入门 05 JSON的详细内容，并且还将对pandas json_normal进行详尽解释，此外，我们还将为大家带来关于/opt/conda/lib/python3.6/site-packages/pandas/core/ops.py:816: pandas 处理 NaN、100天精通Python（数据分析篇）——第59天：Pandas读写json文件（read_json、to_json）、GeoPandas入门 | 05-Python可视化空间数据、pandas – Python folium GeoJSON地图不显示的相关知识，希望对你有所帮助。

本文目录一览：

Python pandas 入门 05 JSON（pandas json_normal）
/opt/conda/lib/python3.6/site-packages/pandas/core/ops.py:816: pandas 处理 NaN
100天精通Python（数据分析篇）——第59天：Pandas读写json文件（read_json、to_json）
GeoPandas入门 | 05-Python可视化空间数据
pandas – Python folium GeoJSON地图不显示

Python pandas 入门 05 JSON（pandas json_normal）

Pandas JSON

JSON（JavaScript Object Notation，JavaScript 对象表示法），是存储和交换文本信息的语法，类似 XML。

JSON 比 XML 更小、更快，更易解析，更多 JSON 内容可以参考 JSON 教程。

Pandas 可以很方便的处理 JSON 数据，本文以 sites.json 为例，内容如下：

实例

[
   {
   "id": "A001",
   "name": "教程",
   "url": "www.run.com",
   "likes": 61
   },
   {
   "id": "A002",
   "name": "Google",
   "url": "www.google.com",
   "likes": 124
   },
   {
   "id": "A003",
   "name": "淘宝",
   "url": "www.taobao.com",
   "likes": 45
   }
]

实例

import pandas as pd

df = pd.read_json('sites.json')

print(df.to_string())

to_string() 用于返回 DataFrame 类型的数据，我们也可以直接处理 JSON 字符串。

实例

import pandas as pd

data =[
{
"id": "A001",
"name": "教程",
"url": "www.run.com",
"likes": 61
},
{
"id": "A002",
"name": "Google",
"url": "www.google.com",
"likes": 124
},
{
"id": "A003",
"name": "淘宝",
"url": "www.taobao.com",
"likes": 45
}
]
df = pd.DataFrame(data)

print(df)

以上实例输出结果为：

     id    name             url  likes
0  A001    教程  www.run.com     61
1  A002  Google  www.google.com    124
2  A003      淘宝  www.taobao.com     45

JSON 对象与 Python 字典具有相同的格式，所以我们可以直接将 Python 字典转化为 DataFrame 数据：

实例

import pandas as pd

# 字典格式的 JSON
s = {
"col1":{"row1":1,"row2":2,"row3":3},
"col2":{"row1":"x","row2":"y","row3":"z"}
}

# 读取 JSON 转为 DataFrame
df = pd.DataFrame(s)
print(df)

以上实例输出结果为：

      col1 col2
row1     1    x
row2     2    y
row3     3    z

从 URL 中读取 JSON 数据：

实例

import pandas as pd

URL = 'https://static.runoob.com/download/sites.json'
df = pd.read_json(URL)
print(df)

以上实例输出结果为：

     id    name             url  likes
0  A001    教程  www.run.com     61
1  A002  Google  www.google.com    124
2  A003      淘宝  www.taobao.com     45

内嵌的 JSON 数据

假设有一组内嵌的 JSON 数据文件 nested_list.json ：

nested_list.json 文件内容

{
"school_name": "ABC primary school",
"class": "Year 1",
"students": [
{
"id": "A001",
"name": "Tom",
"math": 60,
"physics": 66,
"chemistry": 61
},
{
"id": "A002",
"name": "James",
"math": 89,
"physics": 76,
"chemistry": 51
},
{
"id": "A003",
"name": "Jenny",
"math": 79,
"physics": 90,
"chemistry": 78
}]
}

使用以下代码格式化完整内容：

实例

import pandas as pd

df = pd.read_json('nested_list.json')

print(df)

以上实例输出结果为：

          school_name   class                                           students
0  ABC primary school  Year 1  {'id': 'A001', 'name': 'Tom', 'math': 60, 'phy...
1  ABC primary school  Year 1  {'id': 'A002', 'name': 'James', 'math': 89, 'p...
2  ABC primary school  Year 1  {'id': 'A003', 'name': 'Jenny', 'math': 79, 'p...

这时我们就需要使用到 json_normalize() 方法将内嵌的数据完整的解析出来：

实例

import pandas as pd
import json

# 使用 Python JSON 模块载入数据
with open('nested_list.json','r') as f:
data = json.loads(f.read())

# 展平数据
df_nested_list = pd.json_normalize(data, record_path =['students'])
print(df_nested_list)

以上实例输出结果为：

     id   name  math  physics  chemistry
0  A001    Tom    60       66         61
1  A002  James    89       76         51
2  A003  Jenny    79       90         78

data = json.loads(f.read()) 使用 Python JSON 模块载入数据。

json_normalize() 使用了参数 record_path 并设置为 ['students'] 用于展开内嵌的 JSON 数据 students。

显示结果还没有包含 school_name 和 class 元素，如果需要展示出来可以使用 Meta 参数来显示这些元数据：

实例

import pandas as pd
import json

# 使用 Python JSON 模块载入数据
with open('nested_list.json','r') as f:
data = json.loads(f.read())

# 展平数据
df_nested_list = pd.json_normalize(
data,
record_path =['students'],
Meta=['school_name', 'class']
)
print(df_nested_list)

以上实例输出结果为：

     id   name  math  physics  chemistry         school_name   class
0  A001    Tom    60       66         61  ABC primary school  Year 1
1  A002  James    89       76         51  ABC primary school  Year 1
2  A003  Jenny    79       90         78  ABC primary school  Year 1

接下来，让我们尝试读取更复杂的 JSON 数据，该数据嵌套了列表和字典，数据文件 nested_mix.json 如下：

nested_mix.json 文件内容

{
"school_name": "local primary school",
"class": "Year 1",
"info": {
"president": "John Kasich",
"address": "ABC road, London, UK",
"contacts": {
"email": "admin@e.com",
"tel": "123456789"
}
},
"students": [
{
"id": "A001",
"name": "Tom",
"math": 60,
"physics": 66,
"chemistry": 61
},
{
"id": "A002",
"name": "James",
"math": 89,
"physics": 76,
"chemistry": 51
},
{
"id": "A003",
"name": "Jenny",
"math": 79,
"physics": 90,
"chemistry": 78
}]
}

nested_mix.json 文件转换为 DataFrame：

实例

import pandas as pd
import json

# 使用 Python JSON 模块载入数据
with open('nested_mix.json','r') as f:
data = json.loads(f.read())

df = pd.json_normalize(
data,
record_path =['students'],
Meta=[
'class',
['info', 'president'],
['info', 'contacts', 'tel']
]
)

print(df)

以上实例输出结果为：

     id   name  math  physics  chemistry   class info.president info.contacts.tel
0  A001    Tom    60       66         61  Year 1    John Kasich         123456789
1  A002  James    89       76         51  Year 1    John Kasich         123456789
2  A003  Jenny    79       90         78  Year 1    John Kasich         123456789

读取内嵌数据中的一组数据

以下是实例文件 nested_deep.json，我们只读取内嵌中的 math 字段：

nested_deep.json 文件内容

{
"school_name": "local primary school",
"class": "Year 1",
"students": [
{
"id": "A001",
"name": "Tom",
"grade": {
"math": 60,
"physics": 66,
"chemistry": 61
}

},
{
"id": "A002",
"name": "James",
"grade": {
"math": 89,
"physics": 76,
"chemistry": 51
}

},
{
"id": "A003",
"name": "Jenny",
"grade": {
"math": 79,
"physics": 90,
"chemistry": 78
}
}]
}

这里我们需要使用到 glom 模块来处理数据套嵌，glom 模块允许我们使用 . 来访问内嵌对象的属性。

第一次使用我们需要安装 glom：

pip3 install glom

实例

import pandas as pd
from glom import glom

df = pd.read_json('nested_deep.json')

data = df['students'].apply(lambda row: glom(row, 'grade.math'))
print(data)

以上实例输出结果为：

0    60
1    89
2    79
Name: students, dtype: int64

REF

https://www.runoob.com/pandas/pandas-json.html

/opt/conda/lib/python3.6/site-packages/pandas/core/ops.py:816: pandas 处理 NaN

这里记录一下犯过的及其傻帽的错误！！！！哈哈,无语,同时讨论一下NaN这个数据类型的处理

/opt/conda/lib/python3.6/site-packages/pandas/core/ops.py:816: FutureWarning: elementwise comparison Failed; returning scalar instead,but in the future will perform elementwise comparison result = getattr(x,name)(y)

....................

TypeError: invalid type comparison

这里有一个优惠券的scv表：

import numpy as np
import pandas as pd
dfoff = pd.read_csv("datalab/4901/ccf_offline_stage1_train.csv")
dfofftest = pd.read_csv("datalab/4901/ccf_offline_stage1_test_revised.csv")
dfoff.head()

笔者这里的目的是想统计出 Coupon_id是非NaN(非空)且Date是NaN（空）的用户数（行数）

----------------------------------------------------------------------------------------------------------------------------------------------------------------

一般来说比如我们想筛选出 discount_rate是20:1且distance不是1.0的行数可以这么做：

dfoff.info()
print('数目是:',dfoff[(dfoff['discount_rate']=='20:1')&(dfoff['Date']!=1.0)].shape[0])

--------------------------------------------------------------------------------------------------------------------------------------------------------------------

于是笔者这样做了筛选：

dfoff.info()
print('有优惠券，但是没有使用优惠券购买的客户有',dfoff[(dfoff['Coupon_id']!='NaN')&(dfoff['Date']=='NaN')].shape[0])

结果报错：

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1754884 entries,0 to 1754883
Data columns (total 7 columns):
User_id int64
Merchant_id int64
Coupon_id float64
discount_rate object
distance float64
Date_received float64
Date float64
dtypes: float64(4),int64(2),object(1)
memory usage: 93.7+ MB

---------------------------------------------------------------------------
TypeError Traceback (most recent call last)
<ipython-input-24-c27c94978405> in <module>()
1 dfoff.info()
----> 2 print('有优惠券，但是没有使用优惠券购买的客户有',dfoff[(dfoff['Coupon_id']!='NaN')&(dfoff['Date']=='NaN')].shape[0])

/opt/conda/lib/python3.6/site-packages/pandas/core/ops.py in wrapper(self,other,axis)
877
878 with np.errstate(all='ignore'):
--> 879 res = na_op(values,other)
880 if is_scalar(res):
881 raise TypeError('Could not compare {typ} type with Series'

/opt/conda/lib/python3.6/site-packages/pandas/core/ops.py in na_op(x,y)
816 result = getattr(x,name)(y)
817 if result is NotImplemented:
--> 818 raise TypeError("invalid type comparison")
819 except AttributeError:
820 result = op(x,y)

TypeError: invalid type comparison

其实吧原因很简单，注意看上面笔者故意标红的地方，Coupon_id 和Date的数据类型都是float64，而代码中却用了dfoff['Coupon_id']!='NaN'，这不是字符串嘛！！！！！！

print(type('NaN'))

<class 'str'>

float和str比较当然报错了是吧，哎！能这样直接去比较我也算是极品啦哈哈哈

于是可以使用其内置的方法解决：

dfoff.info()
print('有优惠券，但是没有使用优惠券购买的客户有',dfoff[(dfoff['Coupon_id'].notnull())&(dfoff['Date'].isnull())].shape[0])

即使用了如下两个方法

.notnull()
.isnull()

其作用就是判断是否是空值，如果csv中的NaN的地方换成null同样适用

同时这里说一下怎么将NaN替换掉：例如替换成0.0

dfoff['Coupon_id']=dfoff['Coupon_id'].replace(np.nan,0.0)

-----------------------------------------------------------------------------------------------------------------------------------------------------------

下面来说一下NaN这个数据类型，它的全称应该是not a number，说到这里不得不提到另外一个数据类型inf

相同点：都是代表一个无法表示的数

不同点：inf代表无穷大，是一个超过浮点表示范围的浮点数，而NaN可以看成是缺少值或者是无理数

假设现在有一段程序：

def ConvertRate(row):
    if row.isnull():
        return 0
    elif ':' in str(row):
        rows = str(row).split(':')
        return 1.0-float(rows[1])/float(rows[0])
    else:
        return float(row)
dfoff['discount_rate'] = dfoff['discount_rate'].apply(ConvertRate)
print(dfoff.head(3))

会发现报错：

---------------------------------------------------------------------------
AttributeError                            Traceback (most recent call last)
<ipython-input-3-0aa06185ee75> in <module>()
      7     else:
      8         return float(row)
----> 9 dfoff['discount_rate'] = dfoff['discount_rate'].apply(ConvertRate)
     10 print(dfoff.head(3))

/opt/conda/lib/python3.6/site-packages/pandas/core/series.py in apply(self,func,convert_dtype,args,**kwds)
   2549             else:
   2550                 values = self.asobject
-> 2551                 mapped = lib.map_infer(values,f,convert=convert_dtype)
   2552 
   2553         if len(mapped) and isinstance(mapped[0],Series):

pandas/_libs/src/inference.pyx in pandas._libs.lib.map_infer()

<ipython-input-3-0aa06185ee75> in ConvertRate(row)
      1 def ConvertRate(row):
----> 2     if row.isnull():
      3         return 0
      4     elif ':' in str(row):
      5         rows = str(row).split(':')

AttributeError: 'float' object has no attribute 'isnull'

那它到底是什么数据类型呢？

print(type(np.nan))
print(type(np.inf))

<class 'float'>
<class 'float'>

NaN'就是表示一个普通的字符串，而np.nan就是代表真真的nan，那我们可不可以使用这样：

def ConvertRate(row):
    if row==np.nan:
        return 0
    elif ':' in str(row):
        rows = str(row).split(':')
        return 1.0-float(rows[1])/float(rows[0])
    else:
        return float(row)
dfoff['discount_rate'] = dfoff['discount_rate'].apply(ConvertRate)
print(dfoff.head(3))

   User_id  Merchant_id  Coupon_id discount_rate  distance  Date_received  \
0  1439408         2632        NaN           NaN       0.0            NaN   
1  1439408         4663    11002.0        150:20       1.0     20160528.0   
2  1439408         2632     8591.0          20:1       0.0     20160217.0   

         Date  discount_rate  
0  20160217.0            NaN  
1         NaN       0.866667  
2         NaN       0.950000

可以看到这里还是NaN,并不是0，说明还是不对

那试一下：

def ConvertRate(row):
    if row==float('NaN'):
        return 0
    elif ':' in str(row):
        rows = str(row).split(':')
        return 1.0-float(rows[1])/float(rows[0])
    else:
        return float(row)
dfoff['discount_rate'] = dfoff['discount_rate'].apply(ConvertRate)
print(dfoff.head(3))

结果还是如上面，其实NaN数据类型就是一种特殊的float,这里相当于强制类型转化

那到底怎么办呢？其实判断是否是NaN可以使用如下方法：

row!=row

如果结果是真，那么就是NaN,假就代表不是NaN

可以看一下结果：

def ConvertRate(row):
    if row!=row:
        return 0
    elif ':' in str(row):
        rows = str(row).split(':')
        return 1.0-float(rows[1])/float(rows[0])
    else:
        return float(row)
dfoff['discount_rate'] = dfoff['discount_rate'].apply(ConvertRate)
print(dfoff.head(3))

print(dfoff.head(3))

   User_id  Merchant_id  Coupon_id discount_rate  distance  Date_received  \
0  1439408         2632        NaN           NaN       0.0            NaN   
1  1439408         4663    11002.0        150:20       1.0     20160528.0   
2  1439408         2632     8591.0          20:1       0.0     20160217.0   

         Date  discount_rate  
0  20160217.0       0.000000  
1         NaN       0.866667  
2         NaN       0.950000

于是笔者最开始的那个问题也可以这样解决：

print('有优惠券，但是没有使用优惠券购买的客户有',dfoff[(dfoff['Coupon_id']==dfoff['Coupon_id'])&(dfoff['Date']!=dfoff['Date'])].shape[0])

有优惠券，但是没有使用优惠券购买的客户有 977900

---------------------------------------------------------------------------------------------------------------------------------------------------------------

有时候在使用apply的时候会报错，所以最好加一下:axis = 1意思是按列处理的

对应到上面就是吧：

dfoff['discount_rate'] = dfoff['discount_rate'].apply(ConvertRate)

改为：

dfoff['discount_rate'] = dfoff['discount_rate'].apply(ConvertRate,axis = 1)

------------------------------------------------------------------------------------------------------------------------------------------------------------

所以最后总结一下：

NaN和inf都是一种特殊的float数据类型

可以使用row!=row类似的形式来判断是否是NaN,如果是真就代表是NaN，假就代表不是NaN,换句话说也可以使用row==row来判断是否是NaN,只不过逻辑相反而已

报错记得加axis = 1

------------------------------------------------------------------------------------------------------------------------------------------------------

在使用pands加载数据的时候，其实我们是可以控制数据类型的，比如让缺省值变为null，而不是NAN，即让字段的数据类型不再是float，而是object，这里有一个例子：https://blog.csdn.net/weixin_42001089/article/details/85013073

100天精通Python（数据分析篇）——第59天：Pandas读写json文件（read_json、to_json）

在这里插入图片描述

文章目录

每篇前言
一、read_json()
- 1. path_or_buf
- 2. orient
- 3. typ
- 4. dtype
- 5. convert_axes
- 6. convert_dates
- 7. keep_default_dates
- 8. numpy
- 9. precise_float
- 10. date_unit
- 11. lines
- 12. encoding
二、to_json()
- 1. path_or_buf

GeoPandas入门 | 05-Python可视化空间数据

05-Python可视化空间数据

源代码请看此处

%matplotlib inline

import pandas as pd
import geopandas

import matplotlib.pyplot as plt

countries = geopandas.read_file("zip://data/ne_110m_admin_0_countries.zip")
cities = geopandas.read_file("zip://data/ne_110m_populated_places.zip")
rivers = geopandas.read_file("zip://data/ne_50m_rivers_lake_centerlines.zip")

5.1 GeoPandas的可视化函数

基础绘图

countries.plot()

<matplotlib.axes._subplots.AxesSubplot at 0x7f7e787c93c8>

调整地图大小

countries.plot(figsize=(15,15))

<matplotlib.axes._subplots.AxesSubplot at 0x7f7e764cccc0>

png

移除边框及x，y坐标

ax=countries.plot(figsize=(15,15))
ax.set_axis_off()

png

根据列值进行着色

首先创建一个新的人均国内生产总值列

countries=countries[(countries[''pop_est'']>0)&(countries[''name'']!="Antarctica")]

countries[''gdp_per_cap''] = countries[''gdp_md_est''] / countries[''pop_est''] * 100

现在可以使用这个列来给多边形着色:

ax = countries.plot(figsize=(15, 15), column=''gdp_per_cap'')
ax.set_axis_off()

png

ax = countries.plot(figsize=(15, 15), column=''gdp_per_cap'', scheme=''quantiles'', legend=True) # scheme 分级方法
ax.set_axis_off()

png

将多个GeoDataframe的数据同时可视化

.plot方法返回一个matplotlib的Axes对象，然后可以通过ax=关键字重新使用这个对象为该图添加额外的图层

ax=countries.plot(figsize=(15,15))
cities.plot(ax=ax,color=''red'',markersize=10)
ax.set_axis_off()

png

ax=countries.plot(edgecolor=''k'',facecolor=''none'',figsize=(15,15))
rivers.plot(ax=ax)
cities.plot(ax=ax,color=''C1'')
# ax.set(xlim=(70,135),ylim=(0,55))
ax.set_axis_off()

png

使用`contextily`添加背景图

该包允许轻松地将基于Web-tile的背景图（basemap）添加到的GeoPandas图中

目前，唯一的要求是数据投影为WebMercator（EPSG:3857）

cities_europe = cities[cities.within(countries[countries[''continent''] == ''Europe''].unary_union)] 
# .unary_union: Returns a geometry containing the union of all geometries in the GeoSeries

cities_europe2 = cities_europe.to_crs(epsg=3857)

ax=cities_europe2.plot()

png

import contextily as ctx

ax=cities_europe2.plot(figsize=(10,6))
ctx.add_basemap(ax)

png

ax = cities_europe2.plot(figsize=(10, 6))
ctx.add_basemap(ax, source=ctx.providers.Stamen.TonerLite)

png

5.2 使用`geoplot`包进行可视化

与GeoDataFrames的基本.plot()方法相比，geoplot包提供了一些额外的功能

高级绘图API（有更多的绘图类型）
通过cartopy支持本地投影

https://residentmario.github.io/geoplot/index.html

# ! pip3 install geoplot

import sys
import geoplot
import geoplot.crs as gcrs

fig, ax = plt.subplots(figsize=(10, 10), subplot_kw={
    ''projection'': gcrs.Orthographic(central_latitude=35, central_longitude=116.0059)
})
geoplot.choropleth(countries, hue=''gdp_per_cap'', projection=gcrs.Orthographic(), ax=ax,
                   cmap=''BuGn'', linewidth=1, edgecolor=''white'')
ax.set_global()
ax.outline_patch.set_visible(True)
# ax.coastlines()
# Geometry must be a Point or LineString

/usr/local/lib/python3.6/dist-packages/ipykernel_launcher.py:7: DeprecationWarning: The outline_patch property is deprecated. Use GeoAxes.spines[''geo''] or the default Axes properties instead.
  import sys

png

5.3 使用`cartopy`包进行可视化

使用`cartopy`

Cartopy是matplotlib的基础制图库，它被geoplot用来提供投影

http://scitools.org.uk/cartopy/docs/latest/index.html

下面的例子取自文档：http://geopandas.readthedocs.io/en/latest/gallery/cartopy_convert.html#sphx-glr-gallery-cartopy-convert-py 。

from cartopy import crs as ccrs

crs=ccrs.AlbersEqualArea()

crs_proj4=crs.proj4_init
countries_ae=countries.to_crs(crs_proj4)

countries_ae.plot()

<matplotlib.axes._subplots.AxesSubplot at 0x7f7e56a852b0>

png

fig,ax=plt.subplots(subplot_kw={''projection'':crs})
ax.add_geometries(countries_ae[''geometry''],crs=crs)

<cartopy.mpl.feature_artist.FeatureArtist at 0x7f7e569b1080>

png

fig, ax = plt.subplots(subplot_kw={''projection'': crs})
countries_ae[''geometry''].plot(ax=ax)

<cartopy.mpl.geoaxes.GeoAxesSubplot at 0x7f7e568c34a8>

png

5.4 基于web的交互式可视化

现在有很多针对交互式网络可视化的库，可以处理地理空间数据：

Bokeh: https://bokeh.pydata.org/en/latest/docs/gallery/texas.html
GeoViews (other interface to Bokeh/matplotlib): http://geo.holoviews.org
Altair: https://altair-viz.github.io/gallery/choropleth.html
Plotly: https://plot.ly/python/#maps
...

另一个流行的在线地图的javascript库是Leaflet.js，这个库在folium和ipyleaflet包中有python接口

ipyleaflet的使用实例：

# ! pip3 install ipyleaflet

import ipyleaflet

m = ipyleaflet.Map(center=[48.8566, 2.3429], zoom=3)
geo_data = ipyleaflet.GeoData(
    geo_dataframe = countries,
    style={''color'': ''black'', ''fillColor'': ''#3366cc'', ''opacity'':0.05, ''weight'':1.9, ''dashArray'':''2'', ''fillOpacity'':0.6},
    hover_style={''fillColor'': ''red'' , ''fillOpacity'': 0.2},
    name = ''Countries'')
m.add_layer(geo_data)
m
# jupyter labextension install @jupyter-widgets/jupyterlab-manager

Map(center=[48.8566, 2.3429], controls=(ZoomControl(options=[''position'', ''zoom_in_text'', ''zoom_in_title'', ''zoo…

更多信息：https://ipyleaflet.readthedocs.io/en/latest/api_reference/geodata.html

folium的使用实例

import folium

m = folium.Map([39, 116], zoom_start=6, tiles="OpenStreetMap")
folium.GeoJson(countries).add_to(m)
folium.GeoJson(cities).add_to(m)
m

pandas – Python folium GeoJSON地图不显示

下午好,

我正在尝试使用geopandas,pandas和folium的组合来创建一个我可以嵌入到网页中的多边形地图.

出于某种原因,它没有显示并想知道是否有人可以提供帮助.

我采取的步骤：

1)从英国的议会边界操作系统中获取.shp.

2)然后我使用geopandas将投影更改为epsg = 4326,然后导出为GeoJSON,采用以下格式：

{ "type": "Feature","properties": { "PCON13CD": "E14000532","PCON13CDO": "A03","PCON13NM": "Altrincham and Sale West" },"geometry": { "type": "polygon","coordinates": [ [ [ -2.313999519326579,53.357408280545918 ],[ -2.313941776174758,53.358341455420039 ],[ -2.31519699483377,53.359035664493433 ],[ -2.317953152796459,53.359102954309151 ],[ -2.319855973429864,53.358581917200119 ],... ] ] ] } },...

那么我想要做的是将其与以下格式的选区的数据框进行网格化,dty：

constituency        count
0   Burton          667
1   Cannock Chase   595
2   Cheltenham      22
3   Cheshire East   2
4   Congleton       1
5   Derbyshire Dales    1
6   East Staffordshire  4

import folium
mapf = folium.Map(width=700,height=370,tiles = "Stamen Toner",zoom_start=8,location=     ["53.0219392","-2.1597434"])


mapf.geo_json(geo_path="geo_json_shape2.json",data_out="data.json",data=dty,columns=["constituency","count"],key_on="feature.properties.PCON13NM.geometry.type.polygon",fill_color=''PuRd'',fill_opacity=0.7,line_opacity=0.2,reset="True")

mapf的输出如下：

mapf.json_data

{''../../Crime_data/staffs_data92.json'': [{''Burton'': 667,''Cannock Chase'': 595,''Cheltenham'': 22,''Cheshire East'': 2,''Congleton'': 1,''Derbyshire Dales'': 1,''East Staffordshire'': 4,''Lichfield'': 438,''Newcastle-under-Lyme'': 543,''north Warwickshire'': 1,''Shropshire'': 17,''South Staffordshire'': 358,''Stafford'': 623,''Staffordshire Moorlands'': 359,''Stoke-on-Trent Central'': 1053,''Stoke-on-Trent north'': 921,''Stoke-on-Trent South'': 766,''Stone'': 270,''Tamworth'': 600,''Walsall'': 1}]}

虽然mapf.create_map()函数成功创建了一个地图,但多边形不会渲染.

有谁能建议任何调试步骤？

如果有人需要,我永远不清楚如何添加完整的数据文件,所以请告诉我.

感谢您提前的时间.

解决方法

@ elksie5000,试试mplleaflet非常简单.

pip install mplleaflet

在Jupyter / Ipython笔记本中：

import mplleaflet
ax = geopandas_df.plot(column=''variable_to_plot'',scheme=''QUANTILES'',k=9,colormap=''YlOrRd'')
mplleaflet.show(fig=ax.figure)

关于Python pandas 入门 05 JSON和pandas json_normal的介绍已经告一段落，感谢您的耐心阅读，如果想了解更多关于/opt/conda/lib/python3.6/site-packages/pandas/core/ops.py:816: pandas 处理 NaN、100天精通Python（数据分析篇）——第59天：Pandas读写json文件（read_json、to_json）、GeoPandas入门 | 05-Python可视化空间数据、pandas – Python folium GeoJSON地图不显示的相关信息，请在本站寻找。

本文标签：