### Python GIS 数据处理与空间数据文件格式转换 #### 使用Python进行GIS数据处理 Python 是一种强大的编程语言，在地理信息系统 (GIS) 和空间数据分析领域具有广泛应用。主要依赖于 `geopandas`、`shapely` 和 `fiona` 等库来实现空间数据的加载、操作和存储。 - **Geopandas** 提供了一个类似于 Pandas 的接口，用于处理带有几何对象的空间数据[^2]。它支持读取和写入多种常见的空间数据格式，如 Shapefile、GeoJSON 和 CSV。 - **Shapely** 主要用于创建和操作几何对象，例如点、线和多边形。它可以用来执行各种空间运算，比如缓冲区计算、交集、并集等[^3]。 - **Fiona** 则是一个专门用于读写矢量数据的低级别库，能够很好地配合 Geopandas 进行更复杂的自定义任务[^5]。 以下是几个关键概念和技术细节： 1. **加载空间数据** 可以使用 Geopandas 加载 GeoJSON 或 Shapefile 文件： ```python import geopandas as gpd # 从 GeoJSON 文件加载数据 geojson_data = gpd.read_file("path_to_geojson.geojson")[^2] # 从 Shapefile 文件加载数据 shapefile_data = gpd.read_file("path_to_shapefile.shp")[^2] ``` 2. **保存为空间数据格式** 同样可以通过 Geopandas 将数据导出为其他格式： ```python # 导出为 GeoJSON 文件 geojson_data.to_file("output.geojson", driver="GeoJSON")[^2] # 导出为 Shapefile 文件 shapefile_data.to_file("output.shp", driver="ESRI Shapefile") ``` 3. **CSV 转换** 如果需要将 GeoJSON 转换为 CSV，则可以提取其中的关键字段作为表格形式的数据： ```python csv_data = geojson_data.drop(columns=["geometry"]) csv_data.to_csv("output.csv", index=False)[^1] ``` 4. **高级解析** 对于更加精细的操作，可借助 `geojson` 库完成复杂 JSON 字符串的解析工作： ```python from geojson import loads json_string = ''' { "type": "Feature", "geometry": {"type": "Point", "coordinates": [-115.81, 37.24]}, "properties": {"city": "Las Vegas"} } ''' parsed_feature = loads(json_string) print(parsed_feature.geometry.type) # 输出 Point print(parsed_feature["properties"]["city"]) # 输出 Las Vegas[^4] ``` #### 示例代码总结 下面提供一段完整的示例程序展示如何从头至尾完成一个基本的空间数据转换流程： ```python import geopandas as gpd from shapely.geometry import Point # 创建一个新的 GeoDataFrame 并填充测试数据 data = {'City': ['New York', 'Los Angeles'], 'Coordinates': [(40.7128, -74.006), (34.0522, -118.2437)]} gdf = gpd.GeoDataFrame( data, crs="EPSG:4326", geometry=[Point(xy[::-1]) for xy in data['Coordinates']] ) # 存储为不同类型的文件 gdf.to_file("cities_output.geojson", driver="GeoJSON") gdf.to_file("cities_output.shp", driver="ESRI Shapefile") # 去除几何列后转存成 CSV 表格 csv_df = gdf.drop(columns=['geometry']) csv_df.to_csv("cities_output.csv", index=False) ```