データ処理¶

PLATEAUデータの読み込み・範囲取得については以下を参照してください。

• 範囲の選択・抽出

データフレーム¶

データは表形式 (pandas.DataFrame / geopandas.GeoDataFrame) で処理することができます。

In [1]:

from plateaukit import load_dataset

# データの読み込み
dataset = load_dataset("plateau-08220-tsukuba-shi-2022")

# 郵便番号から範囲を取得
area = dataset.area_from_landmark("つくば駅")

# データを表示
area.gdf

from plateaukit import load_dataset # データの読み込み dataset = load_dataset("plateau-08220-tsukuba-shi-2022") # 郵便番号から範囲を取得 area = dataset.area_from_landmark("つくば駅") # データを表示 area.gdf

Out[1]:

	buildingId	measuredHeight	storeysAboveGround	name	usage	type	geometry	longitude	latitude
6337	08220-bldg-1874	3.0	NaN	None	None	Building	POLYGON ((140.11013 36.08077, 140.11012 36.080...	140.110104	36.080772
6338	08220-bldg-1862	3.0	NaN	None	商業施設	Building	POLYGON ((140.11025 36.08109, 140.11023 36.081...	140.110193	36.081079
6340	08220-bldg-1837	3.0	NaN	None	共同住宅	Building	POLYGON ((140.10864 36.08202, 140.10863 36.082...	140.108592	36.082015
6342	08220-bldg-1808	4.8	NaN	None	運輸倉庫施設	Building	POLYGON ((140.11241 36.08268, 140.11241 36.082...	140.112381	36.082373
6343	08220-bldg-1885	35.6	11.0	None	共同住宅	Building	POLYGON ((140.11089 36.07988, 140.11089 36.079...	140.110826	36.079876
...	...	...	...	...	...	...	...	...	...
11909	08220-bldg-86856	11.6	4.0	None	共同住宅	Building	POLYGON ((140.11725 36.08675, 140.11744 36.086...	140.117316	36.086839
11928	08220-bldg-86340	NaN	NaN	None	文教厚生施設	Building	POLYGON ((140.11724 36.08749, 140.11734 36.087...	140.117285	36.087524
11946	08220-bldg-86094	NaN	NaN	None	文教厚生施設	Building	POLYGON ((140.11724 36.08776, 140.11725 36.087...	140.117259	36.087752
11948	08220-bldg-87756	11.5	4.0	None	共同住宅	Building	POLYGON ((140.11799 36.08609, 140.11780 36.086...	140.117926	36.086002
11963	08220-bldg-85853	8.9	NaN	None	住宅	Building	POLYGON ((140.11793 36.08788, 140.11790 36.087...	140.117886	36.087875

603 rows × 9 columns

In [2]:

# 3D都市モデルとして表示
area.show()

# 3D都市モデルとして表示 area.show()

Out[2]:

集計・グラフとして可視化¶

In [3]:

## 建物の用途情報ごとに集計

usage_counts = area.gdf["usage"].fillna("未分類").value_counts()
usage_counts

## 建物の用途情報ごとに集計 usage_counts = area.gdf["usage"].fillna("未分類").value_counts() usage_counts

Out[3]:

usage
未分類       342
共同住宅      125
文教厚生施設     58
住宅         33
運輸倉庫施設     17
業務施設       10
商業施設        7
その他         4
工場          3
宿泊施設        3
官公庁施設       1
Name: count, dtype: int64

In [4]:

from IPython.display import HTML
import plotly.express as px

fig = px.bar(
    x=usage_counts.index,
    y=usage_counts.values,
    labels={"x": "種類", "y": "件数"},
    color=usage_counts.index,
)
fig.update_layout(showlegend=False)
# HTML(fig.to_html())
fig

from IPython.display import HTML import plotly.express as px fig = px.bar( x=usage_counts.index, y=usage_counts.values, labels={"x": "種類", "y": "件数"}, color=usage_counts.index, ) fig.update_layout(showlegend=False) # HTML(fig.to_html()) fig

マップ上で可視化¶

In [5]:

# 建物の用途情報ごとに色分け

color_map = {trace.name: trace.marker.color for trace in fig.data}
color_map = {k: [int(v[1:3], 16), int(v[3:5], 16), int(v[5:7], 16)] for k, v in color_map.items()}

area.gdf.loc[:, "fill_color"] = area.gdf["usage"].fillna("未分類").map(color_map)

area.show()

# 建物の用途情報ごとに色分け color_map = {trace.name: trace.marker.color for trace in fig.data} color_map = {k: [int(v[1:3], 16), int(v[3:5], 16), int(v[5:7], 16)] for k, v in color_map.items()} area.gdf.loc[:, "fill_color"] = area.gdf["usage"].fillna("未分類").map(color_map) area.show()

Out[5]: