GeoPandas是一個基于pandas，針對地理數據做了特別支持的第三方模塊。

它繼承pandas.Series和pandas.Dataframe，實現了GeoSeries和GeoDataFrame類，使得其操縱和分析平面幾何對象非常方便。

1.準備

開始之前，你要確保Python和pip已經成功安裝在電腦上，如果沒有，可以訪問這篇文章：超詳細Python安裝指南 進行安裝。

(可選1) 如果你用Python的目的是數據分析，可以直接安裝Anaconda：Python數據分析與挖掘好幫手—Anaconda，它內置了Python和pip.

(可選2) 此外，推薦大家用VSCode編輯器，它有許多的優點：Python 編程的最好搭檔—VSCode 詳細指南。

請選擇以下任一種方式輸入命令安裝依賴：

1. Windows 環境 打開 Cmd (開始-運行-CMD)。
2. MacOS 環境 打開 Terminal (command+空格輸入Terminal)。
3. 如果你用的是 VSCode編輯器 或 Pycharm，可以直接使用界面下方的Terminal.

由于geopandas涉及到許多第三方依賴，pip安裝起來非常麻煩。因此在本教程中，我只推薦使用conda安裝geopandas：

conda install geopandas

一行語句即可完成安裝。

2.基本使用

設定坐標繪制簡單的圖形：

import geopandas
from shapely.geometry import Polygon
p1 = Polygon([(0, 0), (1, 0), (1, 1)])
p2 = Polygon([(0, 0), (1, 0), (1, 1), (0, 1)])
p3 = Polygon([(2, 0), (3, 0), (3, 1), (2, 1)])
g = geopandas.GeoSeries([p1, p2, p3])

# g:
# result:
# 0 POLYGON ((0 0, 1 0, 1 1, 0 0))
# 1 POLYGON ((0 0, 1 0, 1 1, 0 1, 0 0))
# 2 POLYGON ((2 0, 3 0, 3 1, 2 1, 2 0))
# dtype: geometry

這些變量所形成的圖形如下：

這里有一個重要且強大的用法，通過area屬性，geopandas能直接返回這些圖形的面積：

>> > print(g.area)
0    0.5
1    1.0
2    1.0
dtype: float64

不僅如此，通過plot屬性函數，你還可以直接生成matplotlib圖。

>> > g.plot()

通過matplot的pyplot，可以將圖片保存下來：

import matplotlib.pyplot as plt
g.plot()
plt.savefig("test.png")

學會上面的基本用法， 我們就可以進行簡單的地圖繪制及面積的計算了。

3.繪制并算出每個省的面積

此外，它最大的亮點是可以通過 Fiona(底層實現，用戶不需要管)，讀取比如ESRI shapefile(一種用于存儲地理要素的幾何位置和屬性信息的非拓撲簡單格式)。

下面是讀取一份省級行政區數據的示例：

import geopandas
import matplotlib.pyplot as plt
from shapely.geometry import Polygon

maps = geopandas.read_file('1.shx')
# 讀取的數據格式類似于
# geometry
# 0 POLYGON ((1329152.341 5619034.278, 1323327.591...
# 1 POLYGON ((-2189253.375 4611401.367, -2202922.3...
# 2 POLYGON ((761692.092 4443124.843, 760999.873 4...
# 3 POLYGON ((-34477.046 4516813.963, -41105.128 4...
# ... ...
maps.plot()
plt.savefig("test.png")

如代碼所示，通過read_file你可以讀取shx、gpkg、geojson等數據。讀取出來的圖形如下：

同樣，因為這個shapefile是省級行政區的數據，每一個省級行政區都被劃分為一個區塊，因此可以一行語句算出每個省級行政區所占面積：

print(maps.area)
# 0 4.156054e+11
# 1 1.528346e+12
# 2 1.487538e+11
# 3 4.781135e+10
# 4 1.189317e+12
# 5 1.468277e+11
# 6 1.597052e+11
# 7 9.770609e+10
# 8 1.385692e+11
# 9 1.846538e+11
# 10 1.015979e+11
# ... ...