Однострочники! Плюс несколько указателей производительности для людей с большими данными.
Учитывая, pandas.DataFrame
что имеет х Долгота и у Широта, как это:
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
Давайте конвертируем pandas.DataFrame
в a geopandas.GeoDataFrame
следующим образом:
Импорт библиотек и ускорения :
import geopandas as gpd
import shapely
shapely.speedups.enable() # enabled by default from version 1.6.0
Код + время тестирования на наборе тестовых данных, которые у меня есть:
#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))
Использование pandas.apply
на удивление медленнее, но может лучше подходить для некоторых других рабочих процессов (например, для больших наборов данных, использующих библиотеку dask):
Кредиты для:
Некоторые ссылки на Work-In-Progress (по состоянию на 2017 год) для обработки больших dask
наборов данных: