mcpField
G
geopandas

geopandas

github.com/crazymsn数据与数据库2336 次安装22 周前更新
代码仓库

关于 geopandas

GeoPandas 为 pandas 增加几何数据结构和空间操作，适用于 Python 地理空间分析。它涵盖常见格式、坐标参考系、空间分析与地图绘制。

主要功能

  1. 01支持 GeoSeries 和 GeoDataFrame
  2. 02读写地理空间格式
  3. 03管理坐标参考系
  4. 04执行空间连接与叠加分析
  5. 05创建静态和交互式地图

适用场景

  1. 01筛选并读取 GeoJSON 或 GeoPackage 数据
  2. 02空间分析前重新投影数据
  3. 03将点与多边形连接并汇总结果
  4. 04创建分级统计图或交互式地图

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/crazymsn/academic-skills --skill geopandas

安装后在 Claude Code 中输入/geopandas确认已加载。

包含的文件

除 SKILL.md 外，安装时一起下载的参考资料和脚本。

references/
crs-management.md
data-io.md
data-structures.md
geometric-operations.md
spatial-analysis.md
visualization.md

详细介绍

GeoPandas

GeoPandas 扩展了 pandas，使其能够对几何类型执行空间操作。它结合了 pandas 和 shapely 的能力，用于地理空间数据分析。

安装

uv pip install geopandas
可选依赖项
# 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

快速开始

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")

核心概念

数据结构
  • GeoSeries：具有空间操作的几何向量
  • GeoDataFrame：带几何列的表格数据结构

详见 data-structures.md。

读写数据

GeoPandas 可读写多种格式：Shapefile、GeoJSON、GeoPackage、PostGIS、Parquet。

# 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)

全面的 I/O 操作详见 data-io.md。

坐标参考系统

始终检查和管理 CRS，以确保空间操作准确：

# 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 操作详见 crs-management.md。

常见操作

几何操作

缓冲、简化、质心、凸包、仿射变换：

# 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

所有操作详见 geometric-operations.md。

空间分析

空间连接、叠加操作、融合：

# 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')

分析操作详见 spatial-analysis.md。

可视化

创建静态和交互式地图：

# 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')

制图技术详见 visualization.md。

详细文档

常见工作流

加载、转换、分析、导出
# 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')
空间连接与聚合
# 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)
多源数据集成
# 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]

性能提示

  1. 使用空间索引：GeoPandas 会为大多数操作自动创建空间索引
  2. 读取时过滤：使用 bbox、mask 或 where 参数仅加载所需数据
  3. I/O 使用 Arrow：添加 use_arrow=True 可将读写速度提升 2-4 倍
  4. 简化几何：当精度要求不高时，使用 .simplify() 降低复杂度
  5. 批量操作：向量化操作比逐行迭代快得多
  6. 使用合适的 CRS：面积/距离计算使用投影 CRS，可视化使用地理 CRS

最佳实践

  1. 在空间操作之前始终检查 CRS
  2. 面积和距离计算使用投影 CRS
  3. 空间连接或叠加之前匹配 CRS
  4. 操作之前使用 .is_valid 验证几何
  5. 修改几何列时使用 .copy() 以避免副作用
  6. 为分析而简化时保留拓扑
  7. 现代工作流使用 GeoPackage 格式（优于 Shapefile）
  8. 在 sjoin_nearest 中设置 max_distance 以获得更好的性能

评论

支持 Markdown