用Python可视化分析全球火山分布,发现了这些有趣的现象 |
您所在的位置:网站首页 › 看一下火山爆发 › 用Python可视化分析全球火山分布,发现了这些有趣的现象 |
南太平洋岛国汤加发生火山喷发,有专门的专家学者分析,这可能是30年来全球规模最大的一次海底火山喷发,它引发的海啸以及火山灰将对周边的大气、洋流、淡水、农业以及民众健康等都造成不同程度的影响。 今天小编就用Python当中的folium模块以及其他的可视化库来对全球的火山情况做一个分析。 准备工作和以往一样,我们先导入需要数据分析过程当中需要用到的模块并且读取数据集,本次的数据集来自由kaggle网站,主要由美国著名的史密森学会整理所得 import pandas as pd import folium.plugins as plugins import folium df_volcano = pd.read_csv("volcano.csv") df_volcano.head()output 数据集包含了这些个数据 df_volcano.columnsoutput 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') 全球火山带的分布可视化我们通过调用folium模块来绘制一下全球各个火山的分布,代码如下 volcano_map = folium.Map() # 将每一行火山的数据添加进来 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_mapoutput 上述代码的逻辑大致来看就是先实例化一个Map()对象,然后遍历每一行的数据,主要针对的是数据集当中的经纬度数据,并且在地图上打上标签,我们点击每一个标签都会自动弹出对应的火山的名称 当然出来的可视化结果不怎么美观,我们先通过简单的直方图来看一下全球火山的分布情况,代码如下 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国、印度尼西亚以及日本较多,而单从地域来看,南美以及日本、中国台湾和印度尼西亚等地存在着较多的火山 全球火山带的分布可视化优化接下来我们来优化一下之前绘制的全球火山分布的地图,调用folium模块当中CircleMarker方法,并且设定好标记的颜色与大小 volcano_map = folium.Map(zoom_start=10) groups = folium.FeatureGroup('') # 将每一行火山的数据添加进来 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 然后我们来看一下这次火山的爆发地点,汤加共和国位于西南太平洋,属于大洋洲,具体位置是在西经175°和南纬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%') moutput 第一个参数非常明显代表的是经纬度,而zoom_start参数代表的是缩放的程度,要是我们需要进一步放大绘制的图表,可以通过调整这个参数来实现,而width参数代表的则是最后图表绘制出来的宽度。 在地图上打上标记我们也可以在绘制出来的地图上面打上标记,例如画个圆圈,代码如下 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) moutput 或者给圈出来的区域标上颜色,代码如下 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) moutput 本次汤加火山爆发的VEI强度为5-6级,属于本世纪以来最强等级,后面连带引发的海啸影响了太平洋沿岸地区。太平洋沿岸的智利、日本等国的潮位站监测到30厘米至150厘米的海啸波,我国潮位站最大海啸波幅在20厘米以下,短期内太平洋沿岸国际航运或受到影响,需要重点关注美豆到港情况。 而从长期来看,热带火山爆发或提高全球极端天气发生概率,从而影响农作物的生长,对整个农产品的供应造成深远的影响,而如果火山灰大面积扩散,或进一步影响全球航空业,降低运输效率,拖累全球供应链。 -------- End -------- ![]() 回复关键词,获取对应的资料: 关键词资料名称600《Python知识手册》md《Markdown速查表》time《Python时间使用指南》str《Python字符串速查表》pip《Python:Pip速查表》style《Pandas表格样式配置指南》mat《Matplotlib入门100个案例》px《Plotly Express可视化指南》 精选内容数据科学: VS Code 中 Python配置使用指南 | 财经工具 Tushare | Matplotlib 最有价值的 50 个图表 书籍阅读: 如何阅读一本书 | 巴菲特之道 | 价值 | 原则 | 投资最重要的事 | 戴维斯王朝 | 客户的游艇在哪里 | 刻意练习 | 林肯传 | 金字塔原理 投资小结: 2021Q4 | 2021Q3 | 2021Q2 | 2021Q1 | 2020Q4 精选视频可视化: Plotly Express 财经: Plotly在投资领域的应用 | 绘制K线图表 排序算法: 汇总 | 冒泡排序 | 选择排序 | 快速排序 | 归并排序 | 堆排序 | 插入排序 | 希尔排序 | 计数排序 | 桶排序 | 基数排序 ![]() |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |