3g覆盖图 - 可视化lat，long，ping数据

Question

假设我一直在笔记本电脑上用3g调制解调器和GPS驱动设定路线，而我家里的电脑记录了ping延迟。我已将ping与GPS lat / long相关联，现在我想将这些数据可视化。

我每天有大约80,000个数据点，我想显示几个月的价值。我特别感兴趣的是显示ping持续超时的区域（即ping == 1000）。

散点图

我的第一次尝试是使用散点图，每个数据输入一个点。如果超时，我将点的大小增加了5倍，因此很明显这些区域在哪里。我也将alpha降为0.1，以粗略的方式看到重叠点。

# Colour
c = pings 
# Size
s = [2 if ping < 1000 else 10 for ping in pings]
# Scatter plot
plt.scatter(longs, lats, s=s, marker='o', c=c, cmap=cm.jet, edgecolors='none', alpha=0.1)

这个问题的一个明显问题是每个数据点显示一个标记，这是显示大量数据的一种非常差的方法。如果我经过两次相同的区域，那么第一遍数据就会显示在第二遍的顶部。

插入偶数网格

然后我尝试使用numpy和scipy在偶数网格上进行插值。

# Convert python list to np arrays
x = np.array(longs, dtype=float)
y = np.array(lats, dtype=float)
z = np.array(pings, dtype=float)

# Make even grid (200 rows/cols)
xi = np.linspace(min(longs), max(longs), 200)
yi = np.linspace(min(lats), max(lats), 200)

# Interpolate data points to grid
zi = griddata((x, y), z, (xi[None,:], yi[:,None]), method='linear', fill_value=0)

# Plot contour map
plt.contour(xi,yi,zi,15,linewidths=0.5,colors='k')
plt.contourf(xi,yi,zi,15,cmap=plt.cm.jet)

来自this example

这看起来很有趣（很多颜色和形状），但它在我没有探索的区域外推得太远。你看不到我走过的路线，只看到红/蓝斑点。

如果我在一条大曲线上行驶，它会插入两者之间的区域（见下文）：

插入不均匀的网格

然后我尝试使用meshgrid（xi, yi = np.meshgrid(lats, longs)）而不是固定网格，但我被告知我的数组太大了。

我可以通过简单的方法从我的观点创建网格吗？

---

我的要求：

• 处理大型数据集（80,000 x 60 = ~5m点）
• 通过平均（我假设插值将执行此操作）或通过为每个点取最小值来显示每个点的重复数据。
• 不要从数据点推断得太远

我对散点图（上图）感到满意，但在显示之前我需要一些方法来平均数据。

（对于狡猾的mspaint图纸道歉，我无法上传实际数据）

---

解决方案：

# Get sum
hsum, long_range, lat_range = np.histogram2d(longs, lats, bins=(res_long,res_lat), range=((a,b),(c,d)), weights=pings)
# Get count
hcount, ignore1, ignore2 = np.histogram2d(longs, lats, bins=(res_long,res_lat), range=((a,b),(c,d)))
# Get average
h = hsum/hcount
x, y = np.where(h)
average = h[x, y]
# Make scatter plot
scatterplot = ax.scatter(long_range[x], lat_range[y], s=3, c=average, linewidths=0, cmap="jet", vmin=0, vmax=1000)

Answer 1

为简化您的问题，您有两组积分，一组用于ping＆lt; 1000，一组用于ping＆gt; = 1000。 由于点数非常大，因此无法通过scatter（）直接绘制它们。我通过以下方式创建了一些示例数据：

longs = (np.random.rand(60, 1) + np.linspace(-np.pi, np.pi, 80000)).reshape(-1)
lats = np.sin(longs) + np.random.rand(len(longs)) * 0.1

bad_index = (longs>0) & (longs<1)
bad_longs = longs[bad_index]
bad_lats = lats[bad_index]

（longs，lats）是ping＆lt; 1000的点，（bad_longs，bad_lats）是ping＆gt; 1000的点

您可以使用numpy.histogram2d（）来计算点数：

ranges = [[np.min(lats), np.max(lats)], [np.min(longs), np.max(longs)]]
h, lat_range, long_range = np.histogram2d(lats, longs, bins=(400,400), range=ranges)
bad_h, lat_range2, long_range2 = np.histogram2d(bad_lats, bad_longs, bins=(400,400), range=ranges)

h和bad_h是每个小区域中的分数。

然后您可以选择许多方法来可视化它。例如，您可以通过scatter（）：

绘制它

y, x = np.where(h)
count = h[y, x]
pl.scatter(long_range[x], lat_range[y], s=count/20, c=count, linewidths=0, cmap="Blues")

count = bad_h[y, x]
pl.scatter(long_range2[x], lat_range2[y], s=count/20, c=count, linewidths=0, cmap="Reds")

pl.show() 

以下是完整代码：

import numpy as np
import pylab as pl

longs = (np.random.rand(60, 1) + np.linspace(-np.pi, np.pi, 80000)).reshape(-1)
lats = np.sin(longs) + np.random.rand(len(longs)) * 0.1

bad_index = (longs>0) & (longs<1)
bad_longs = longs[bad_index]
bad_lats = lats[bad_index]

ranges = [[np.min(lats), np.max(lats)], [np.min(longs), np.max(longs)]]
h, lat_range, long_range = np.histogram2d(lats, longs, bins=(300,300), range=ranges)
bad_h, lat_range2, long_range2 = np.histogram2d(bad_lats, bad_longs, bins=(300,300), range=ranges)

y, x = np.where(h)
count = h[y, x]
pl.scatter(long_range[x], lat_range[y], s=count/20, c=count, linewidths=0, cmap="Blues")

count = bad_h[y, x]
pl.scatter(long_range2[x], lat_range2[y], s=count/20, c=count, linewidths=0, cmap="Reds")

pl.show()

输出数字为：

Answer 2

包含GDAL及相关实用程序的Python API库，尤其是gdal_grid应该适合您。它包括许多插值和平均方法以及用于从散乱点生成网格化数据的选项。您应该能够操纵网格单元格大小以获得令人满意的分辨率。

GDAL处理多种数据格式，但您应该能够将坐标和ping值作为CSV传递并获得PNG或JPEG而不会有太多麻烦。

请记住，lat / lon数据不是平面坐标系。如果您打算将结果与其他地图数据合并，则必须确定要使用的地图投影，单位等。