หนึ่งสมุทร! นอกจากนี้ยังมีตัวชี้ประสิทธิภาพสำหรับผู้ที่มีข้อมูลขนาดใหญ่
รับ a pandas.DataFrame
ที่มี x ลองจิจูดและ y Latitude ดังนี้:
df.head()
x y
0 229.617902 -73.133816
1 229.611157 -73.141299
2 229.609825 -73.142795
3 229.607159 -73.145782
4 229.605825 -73.147274
ลองแปลงpandas.DataFrame
เป็น a geopandas.GeoDataFrame
ดังนี้:
การนำเข้าห้องสมุดและการเพิ่มความเร็วที่สูงมาก :
import geopandas as gpd
import shapely
shapely.speedups.enable() # enabled by default from version 1.6.0
รหัส + เวลามาตรฐานในชุดทดสอบที่ฉันโกหก:
#Martin's original version:
#%timeit 1.87 s ± 7.03 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
gdf = gpd.GeoDataFrame(df.drop(['x', 'y'], axis=1),
crs={'init': 'epsg:4326'},
geometry=[shapely.geometry.Point(xy) for xy in zip(df.x, df.y)])
#Pandas apply method
#%timeit 8.59 s ± 60.6 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
gdf = gpd.GeoDataFrame(df.drop(['x', 'y'], axis=1),
crs={'init': 'epsg:4326'},
geometry=df.apply(lambda row: shapely.geometry.Point((row.x, row.y)), axis=1))
การใช้pandas.apply
ช้าลงอย่างน่าประหลาดใจ แต่อาจเหมาะสำหรับเวิร์กโฟลว์อื่น ๆ (เช่นในชุดข้อมูลที่ใหญ่กว่าโดยใช้ไลบรารี dask):
เครดิตไปที่:
Work-In-Progress บางส่วนอ้างอิง (ณ 2017) สำหรับการจัดการdask
ชุดข้อมูลขนาดใหญ่: