Anhang

Anhang 1: Daten visualisieren

Es ist äusserst Zentral, Daten regelmässig und oft zu visualisieren. Die de facto standart Library hierfür in Python ist matplotlib. Diese Library kann man direkt ansteuern wie in diesem Tutorial beschrieben wird. Wir verwenden die library jedoch etwas anders: Dabei nutzen wir die Tatsache aus, dass sowohl pandas wie auch geopandas eingebaute Methoden (methods) haben um deren Inhalte zu visualisieren. Die Methode heisst in beiden Fällen .plot(), wie wir weiter unten noch sehen werden.

Histogramm aus `List`

pandas vereinfacht das Visualisieren von Daten sogar soweit, dass es sich jewils lohnt seine Listen, Dictionaries usw. zuerst in eine Series oder DataFrame zu überführen um sie zu visualisieren (wie ich zum Beispiel in Zufallszahlen generieren jeweils gemacht habe).

import random
import pandas as pd

random_gamma = [random.gammavariate(1, 1) for x in range(1000)]

random_gamma = pd.Series(random_gamma)

random_gamma.plot(kind = "hist", bins = 50)

ModuleNotFoundError: No module named 'pandas'

Weitere Beispiele zu Histogrammen aus Listen findet ihr im Kapitel Zufallszahlen generieren .

Boxplot aus `List`

Das Visualisieren als Boxplot ist sehr ähnlich, man ersetzt "hist" lediglich durch "box. Eine komplette liste der möglichen Argumente für findet ihr hier: https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.Series.plot.html

random_gamma.plot(kind = "box")

NameError: name 'random_gamma' is not defined

Scatterplot aus DataFrame

Um einen Scatterplot zu erstellen, braucht es eine DataFrame (eine Series reicht hierfür nicht aus).

zeckenstiche = pd.read_csv("data/zeckenstiche.csv")

NameError: name 'pd' is not defined

zeckenstiche.plot("x", "y", kind = "scatter")

NameError: name 'zeckenstiche' is not defined

Statische Karte aus GeoDataFrame

Um aus GeoDataFrames Karten zu machen verwendet man ebenfalls die .plot() Methode. Um wirklich schöne Karten mit Python herzustellen braucht man viel Übung. Für eine schnelle Visualisierung reicht aber die .plot() Methode.

import geopandas as gpd

zeckenstiche = gpd.read_file("data/zeckenstiche.gpkg")
wald = gpd.read_file("data/wald.gpkg")

ModuleNotFoundError: No module named 'geopandas'

Einfache Plots ohne anpassung:

wald.plot()

NameError: name 'wald' is not defined

Anpassung der Plot Grösse:

wald.plot(figsize = (5,5))

NameError: name 'wald' is not defined

Choroplethenkarte Karte

from matplotlib.colors import ListedColormap

my_cmap = ListedColormap(["green","lightgrey"])
wald.plot(column = "Wald_text", legend = True, cmap = my_cmap)

ModuleNotFoundError: No module named 'matplotlib'

Mehrere Layers:

base = wald.plot(column = "Wald_text", legend = True, cmap = my_cmap)
zeckenstiche.plot(color = "Red", ax = base)

NameError: name 'wald' is not defined

Interaktive Karten aus GeoDataFrame

Weitere Informationen dazu findet ihr hier: https://geopandas.org/docs/user_guide/interactive_mapping.html

Vollautomatisch, ohne Anpassungen:

zeckenstiche.explore()

Zeckenstiche Rot eingefärbt:

zeckenstiche.explore(color = "red")

Zeckenstiche nach "accuracy" eingefärbt:

zeckenstiche.explore(column = "accuracy")

Wald nach "Wald_text" eingefärbt (beachte, dass ich my_cmap weiter oben erstellt habe!):

wald.explore(column = "Wald_text", cmap = my_cmap)

Zwei übereinander gelagerte Layers:

base = wald.explore(column = "Wald_text", cmap = my_cmap)
zeckenstiche.explore(m = base, color = "red")

NameError: name 'wald' is not defined

Anhang 2: Geodaten visualisieren

In folgenden Beispielen zeigen wir noch ein paar einfache Wege, wie ihr die Zeckenstichdaten visualisieren könnt.

import pandas as pd
import geopandas as gpd
import matplotlib.pyplot as plt
import descartes

wald = gpd.read_file("data/wald.gpkg")
zeckenstiche_full = pd.read_csv("data/zeckenstiche_full.csv")

geom = gpd.points_from_xy(zeckenstiche_full['x'], zeckenstiche_full['y'])

zeckenstiche_gpd = gpd.GeoDataFrame(
    zeckenstiche_full,
    geometry=geom,
    crs = 2056)

ModuleNotFoundError: No module named 'pandas'

Kernel Density Plot

Mit der Erweiterung seaborn lassen sich mit wenigen Zeilen Code eine Kernel Density rechnen und visualisieren. Siehe nachstehenden Code:

import seaborn as sns

f, ax = plt.subplots(1, figsize=(6, 6))
wald.boundary.plot(linewidth=0.1, ax=ax)
zeckenstiche_gpd.plot(color='red', linewidth=0.1, ax=ax)

sns.kdeplot(x = zeckenstiche_full.x, y= zeckenstiche_full.y,shade = False,n_levels = 10, cmap = "viridis", ax = ax)

ax.set_axis_off()
plt.show()

ModuleNotFoundError: No module named 'seaborn'

Hintergrundkarte

Mit der Erweiterung contextily kann man sehr schnell und einfach Hintergrundkarten in den Plot einbinden. Dafür muss das GeoDataFrame vorher aber in WGS84 Koordinaten (EPSG 3857) konvertiert werden (mit to_crs, s.u.).

import contextily as ctx

f, ax = plt.subplots(1, figsize=(6, 6))
zeckenstiche_gpd.to_crs(epsg = 3857).plot(ax = ax)
ctx.add_basemap(ax)

ax.set_axis_off()
plt.show()

ModuleNotFoundError: No module named 'contextily'

KDE mit Hintergrundkarte

Kernel Denisty und Hintergrundkarte können auch kombiniert werden:

lat = zeckenstiche_gpd.to_crs(epsg = 3857).geometry.x
lng = zeckenstiche_gpd.to_crs(epsg = 3857).geometry.y

f, ax = plt.subplots(1, figsize=(6, 6))

sns.kdeplot(x = lat,y = lng,shade = False,n_levels = 25, cmap = "viridis", ax = ax)
ctx.add_basemap(ax)

ax.set_axis_off()
plt.show()

NameError: name 'zeckenstiche_gpd' is not defined