geopandas

GeoPandas

GeoPandas は pandas を拡張し、ジオメトリ型に対する空間演算を可能にします。pandas と shapely の機能を組み合わせ、地理空間データ分析に利用できます。

インストール

uv pip install geopandas

オプションの依存関係

# For interactive maps
uv pip install folium

# For classification schemes in mapping
uv pip install mapclassify

# For faster I/O operations (2-4x speedup)
uv pip install pyarrow

# For PostGIS database support
uv pip install psycopg2
uv pip install geoalchemy2

# For basemaps
uv pip install contextily

# For cartographic projections
uv pip install cartopy

クイックスタート

import geopandas as gpd

# Read spatial data
gdf = gpd.read_file("data.geojson")

# Basic exploration
print(gdf.head())
print(gdf.crs)
print(gdf.geometry.geom_type)

# Simple plot
gdf.plot()

# Reproject to different CRS
gdf_projected = gdf.to_crs("EPSG:3857")

# Calculate area (use projected CRS for accuracy)
gdf_projected['area'] = gdf_projected.geometry.area

# Save to file
gdf.to_file("output.gpkg")

主要な概念

データ構造

• GeoSeries: 空間演算を備えたジオメトリのベクトル
• GeoDataFrame: ジオメトリ列を持つ表形式のデータ構造

詳細は data-structures.md を参照してください。

データの読み込みと書き出し

GeoPandas は Shapefile、GeoJSON、GeoPackage、PostGIS、Parquet など複数の形式の読み書きに対応しています。

# Read with filtering
gdf = gpd.read_file("data.gpkg", bbox=(xmin, ymin, xmax, ymax))

# Write with Arrow acceleration
gdf.to_file("output.gpkg", use_arrow=True)

I/O 操作の詳細は data-io.md を参照してください。

座標参照系

正確な空間演算のために、常に CRS を確認して管理してください。

# Check CRS
print(gdf.crs)

# Reproject (transforms coordinates)
gdf_projected = gdf.to_crs("EPSG:3857")

# Set CRS (only when metadata missing)
gdf = gdf.set_crs("EPSG:4326")

CRS 操作については crs-management.md を参照してください。

一般的な操作

ジオメトリ演算

バッファ、単純化、重心、凸包、アフィン変換:

# Buffer by 10 units
buffered = gdf.geometry.buffer(10)

# Simplify with tolerance
simplified = gdf.geometry.simplify(tolerance=5, preserve_topology=True)

# Get centroids
centroids = gdf.geometry.centroid

すべての演算については geometric-operations.md を参照してください。

空間分析

空間結合、オーバーレイ演算、ディゾルブ:

# Spatial join (intersects)
joined = gpd.sjoin(gdf1, gdf2, predicate='intersects')

# Nearest neighbor join
nearest = gpd.sjoin_nearest(gdf1, gdf2, max_distance=1000)

# Overlay intersection
intersection = gpd.overlay(gdf1, gdf2, how='intersection')

# Dissolve by attribute
dissolved = gdf.dissolve(by='region', aggfunc='sum')

分析演算については spatial-analysis.md を参照してください。

可視化

静的マップとインタラクティブマップを作成します:

# Choropleth map
gdf.plot(column='population', cmap='YlOrRd', legend=True)

# Interactive map
gdf.explore(column='population', legend=True).save('map.html')

# Multi-layer map
import matplotlib.pyplot as plt
fig, ax = plt.subplots()
gdf1.plot(ax=ax, color='blue')
gdf2.plot(ax=ax, color='red')

地図作成の手法については visualization.md を参照してください。

詳細ドキュメント

• データ構造 - GeoSeries と GeoDataFrame の基礎
• データ I/O - ファイルの読み書き、PostGIS、Parquet
• ジオメトリ演算 - バッファ、単純化、アフィン変換
• 空間分析 - 結合、オーバーレイ、ディゾルブ、クリッピング
• 可視化 - プロット、コロプレスマップ、インタラクティブマップ
• CRS 管理 - 座標参照系と投影法

一般的なワークフロー

読み込み、変換、分析、書き出し

# 1. Load data
gdf = gpd.read_file("data.shp")

# 2. Check and transform CRS
print(gdf.crs)
gdf = gdf.to_crs("EPSG:3857")

# 3. Perform analysis
gdf['area'] = gdf.geometry.area
buffered = gdf.copy()
buffered['geometry'] = gdf.geometry.buffer(100)

# 4. Export results
gdf.to_file("results.gpkg", layer='original')
buffered.to_file("results.gpkg", layer='buffered')

空間結合と集計

# Join points to polygons
points_in_polygons = gpd.sjoin(points_gdf, polygons_gdf, predicate='within')

# Aggregate by polygon
aggregated = points_in_polygons.groupby('index_right').agg({
    'value': 'sum',
    'count': 'size'
})

# Merge back to polygons
result = polygons_gdf.merge(aggregated, left_index=True, right_index=True)

複数ソースのデータ統合

# Read from different sources
roads = gpd.read_file("roads.shp")
buildings = gpd.read_file("buildings.geojson")
parcels = gpd.read_postgis("SELECT * FROM parcels", con=engine, geom_col='geom')

# Ensure matching CRS
buildings = buildings.to_crs(roads.crs)
parcels = parcels.to_crs(roads.crs)

# Perform spatial operations
buildings_near_roads = buildings[buildings.geometry.distance(roads.union_all()) < 50]

パフォーマンスのヒント

1. 空間インデックスを活用する: GeoPandas はほとんどの演算で自動的に空間インデックスを作成します
2. 読み込み時にフィルタリングする: bbox、mask、where パラメータを使い、必要なデータだけを読み込みます
3. I/O に Arrow を使う: use_arrow=True を追加すると、読み書きが 2〜4 倍高速になります
4. ジオメトリを単純化する: 精度が重要でない場合は .simplify() で複雑さを減らします
5. バッチ処理を行う: ベクトル化された演算は、行を反復処理するより大幅に高速です
6. 適切な CRS を使う: 面積や距離の計算には投影 CRS、可視化には地理座標系を使います

ベストプラクティス

1. 空間演算の前に必ず CRS を確認する
2. 面積と距離の計算には投影 CRS を使う
3. 空間結合やオーバーレイの前に CRS を揃える
4. 演算の前に .is_valid でジオメトリを検証する
5. ジオメトリ列を変更するときは .copy() を使い、副作用を避ける
6. 分析のために単純化する際はトポロジーを維持する
7. 最新のワークフローには GeoPackage 形式を使う（Shapefile より優れています）
8. sjoin_nearest では max_distance を設定し、性能を向上させる