快捷導(dǎo)航

Python可視化分析全球火山分布

更新時間：2022年01月20日 08:52:23 作者：老貢講Python

也就在前幾天，南太平洋島國湯加發(fā)生火山噴發(fā)。所以今天小編將為大家介紹如何用Python當(dāng)中的folium模塊以及其他的可視化庫來對全球的火山情況做一個分析。需要的可以參考一下

也就在前幾天，南太平洋島國湯加發(fā)生火山噴發(fā)，有專門的專家學(xué)者分析，這可能是30年來全球規(guī)模最大的一次海底火山噴發(fā)，它引發(fā)的海嘯以及火山灰將對周邊的大氣、洋流、淡水、農(nóng)業(yè)以及民眾健康等都造成不同程度的影響。

今天小編就用Python當(dāng)中的folium模塊以及其他的可視化庫來對全球的火山情況做一個分析。

準(zhǔn)備工作

和以往一樣，我們先導(dǎo)入需要數(shù)據(jù)分析過程當(dāng)中需要用到的模塊并且讀取數(shù)據(jù)集，本次的數(shù)據(jù)集來自由kaggle網(wǎng)站，主要由美國著名的史密森學(xué)會整理所得

import pandas as pd
import folium.plugins as plugins
import folium
 
df_volcano = pd.read_csv("volcano.csv")
df_volcano.head()

output

數(shù)據(jù)集包含了這些個數(shù)據(jù)

df_volcano.columns

output

Index(['volcano_number', 'volcano_name', 'primary_volcano_type',
'last_eruption_year', 'country', 'region', 'subregion', 'latitude',
'longitude', 'elevation', 'tectonic_settings', 'evidence_category',
'major_rock_1', 'major_rock_2', 'major_rock_3', 'major_rock_4',
'major_rock_5', 'minor_rock_1', 'minor_rock_2', 'minor_rock_3',
'minor_rock_4', 'minor_rock_5', 'population_within_5_km',
'population_within_10_km', 'population_within_30_km',
'population_within_100_km'],
dtype='object')

全球火山帶的分布可視化

我們通過調(diào)用folium模塊來繪制一下全球各個火山的分布，代碼如下

volcano_map = folium.Map()
 
# 將每一行火山的數(shù)據(jù)添加進(jìn)來
for i in range(0, df_volcano.shape[0]):
    volcano = df_volcano.iloc[i]
    folium.Marker([volcano['latitude'], volcano['longitude']], popup=volcano['volcano_name']).add_to(volcano_map)
 
volcano_map

output

上述代碼的邏輯大致來看就是先實例化一個Map()對象，然后遍歷每一行的數(shù)據(jù)，主要針對的是數(shù)據(jù)集當(dāng)中的經(jīng)緯度數(shù)據(jù)，并且在地圖上打上標(biāo)簽，我們點擊每一個標(biāo)簽都會自動彈出對應(yīng)的火山的名稱

當(dāng)然出來的可視化結(jié)果不怎么美觀，我們先通過簡單的直方圖來看一下全球火山的分布情況，代碼如下

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(16, 4))
 
volcano_country = pd.DataFrame(df_volcano.groupby(['country']).size()).sort_values(0, ascending=True)
volcano_country.columns = ['Count']
volcano_country.tail(10).plot(kind='barh', legend=False, ax=ax1)
ax1.set_title('Number of Volcanoes per Country')
ax1.set_ylabel('Country')
ax1.set_xlabel('Count')
 
volcano_region = pd.DataFrame(df_volcano.groupby(['region']).size()).sort_values(0, ascending=True)
volcano_region.columns = ['Count']
volcano_region.tail(10).plot(kind='barh', legend=False, ax=ax2)
ax2.set_title('Number of Volcanoes per Region')
ax2.set_ylabel('Region')
ax2.set_xlabel('Count')
 
plt.tight_layout()
plt.show()

output

可以看到火山主要集中在美國、印度尼西亞以及日本較多，而單從地域來看，南美以及日本、中國臺灣和印度尼西亞等地存在著較多的火山

全球火山帶的分布可視化優(yōu)化

接下來我們來優(yōu)化一下之前繪制的全球火山分布的地圖，調(diào)用folium模塊當(dāng)中CircleMarker方法，并且設(shè)定好標(biāo)記的顏色與大小

volcano_map = folium.Map(zoom_start=10)
groups = folium.FeatureGroup('')
 
# 將每一行火山的數(shù)據(jù)添加進(jìn)來
for i in range(0, df_volcano.shape[0]):
    volcano = df_volcano.iloc[i]
    groups.add_child(folium.CircleMarker([volcano['latitude'], volcano['longitude']],
                                         popup=volcano['volcano_name'], radius=3, color='blue',
                                         fill=True, fill_color='blue',fill_opacity=0.8))
    
volcano_map.add_child(groups)
volcano_map.add_child(folium.LatLngPopup())

output

地圖可視化實戰(zhàn)

然后我們來看一下這次火山的爆發(fā)地點，湯加共和國位于西南太平洋，屬于大洋洲，具體位置是在西經(jīng)175°和南緯20°左右，

import folium.plugins as plugins
import folium
 
m = folium.Map([-21.178986, -175.198242],
               zoom_start=10,
               control_scale=True, width='80%')
 
m

output

第一個參數(shù)非常明顯代表的是經(jīng)緯度，而zoom_start參數(shù)代表的是縮放的程度，要是我們需要進(jìn)一步放大繪制的圖表，可以通過調(diào)整這個參數(shù)來實現(xiàn)，而width參數(shù)代表的則是最后圖表繪制出來的寬度。

在地圖上打上標(biāo)記

我們也可以在繪制出來的地圖上面打上標(biāo)記，例如畫個圓圈，代碼如下

m = folium.Map([-21.178986, -175.198242],
               zoom_start=12,
               control_scale=True, width='80%')
folium.Circle(location = [-21.177986, -175.199242], radius = 1500,
              color = "purple").add_to(m)
m

output

或者給圈出來的區(qū)域標(biāo)上顏色，代碼如下

m = folium.Map([-21.178986, -175.198242],
               zoom_start=12,
               control_scale=True, width='80%')
folium.Circle(location = [-21.177986, -175.199242], radius = 1500,
              color = "purple", fill = True, fill_color = "red").add_to(m)
m

output