提及空间数据可化视，不少人可能对ArcGIS，Qgis耳熟能详，R等编程语言同样也十分强大。R语言中对于空间数据的处理有sp，maptools，rgdal等实用的包。随着Python在数据处理领域的能力日趋强大，在空间数据可视化方面，Python同样有着出色的表现。
目前在python中，对于空间数据的可视化，最常用的库是Basemap。Geopandas作为后起之秀，因为其简单易学，得到越来越多用户的拥趸。Basemap，无论是从安装还是使用上都比较繁锁，相比之下，Geopandas更简单易学。从其名字看起来，Geopandas肯定与pandas有渊源，实际上正是如此，Geopandas承继了Pandas的诸多优点因此，熟悉pandas的用户，在使用Geopandas时会更加得心应手。
在空间数据可视化方面，最常见的图形为空间分布图，即对于同一个变量不同区域的不同数值，赋予不同的颜色，从而直观上查看某一个变量的空间分布状况。接下来，本文以中国地图shp文件和2015年各省市人均gdp为例，简要介绍如何用geopandas作空间分布图。我的系统环境为Win 10 x64 + Python 3.5(Anaconda3 v4.2.0)。
在运行之前，要确保python安装Geopandas库。Geopandas库依赖于其它的库，除了常见的numpy、pandas之外，还有shapely、fiona、six、pyproj，如果要使用Geopandas更高级的绘图功能，还要安装descartes、pysal。关于Geopandas更具体的介绍，见http://geopandas.org/。使用Geopans绘图其实很简单，核心代码其实只有几行，代码汇总如下：
#===================================我是分割线===============================
import pandas as pd
import numpy as np
import geopandas as gp
import matplotlib.pyplot as plt
data = pd.read_csv('china_data.csv', encoding = 'gb18030')#读取人均GDP数据
china_geod = gp.GeoDataFrame.from_file('bou2_4p.shp', encoding = 'gb18030')
china_geod.plot()#查看地图
data_geod = gp.GeoDataFrame(data)#将data转换为Geopandas.DataFrame
china_geod = china_geod.rename(index = str, columns = {'NAME':'prov'})#修改列名
da_merge = china_geod.merge(data_geod, on = 'prov', how = 'left')#数据合并
sum(np.isnan(da_merge['gdpc']))#有54行有空值
da_merge['gdpc'][np.isnan(da_merge['gdpc'])] = 14.0#填充缺失数据
da_merge.plot('gdpc', k = 4, cmap = plt.cm.Greens)#图形初步
da_merge.plot('gdpc', k = 4, cmap = plt.cm.Greens, alpha= 1)
#颜色不够明显，将颜色透明度参数alhpa设置为1
da_merge.plot('gdpc', k = 4, cmap = plt.cm.Greens, scheme = 'percentiles',alpha= 1, figsize = (9, 9), legend = True)#添加图例，设置图形大小
plt.text(x = 76, y = 16, s = u'单位：万元', fontsize = 13)#添加文字
plt.title(u'2015年各省市人均GDP', fontsize=15)#设置图形标题
plt.gca().xaxis.set_major_locator(plt.NullLocator())#去掉x轴刻度
plt.gca().yaxis.set_major_locator(plt.NullLocator())#去年y轴刻度
#=========================================================================
绘图主要分三个步骤进行，第一步：读取shp地图文件和数据文件，第二步：DataFrame合并，第三步：绘图并修改图形参数。在读取文件之前，首先要导入相应的库:
import pandas as pd
import numpy as np
import geopandas as gp
import matplotlib.pyplot as plt
接下来，使用read_csv函数和GeoDataFrame.from_file函数分别读取包含人均GDP数据的csv文件和中国省份地图的shp文件。用head函数来查看这两个文件的数据结构，用plot函数初步查看地图：
#该csv文件中有中文，所以在read_csv函数中设置encoding参数为gb18030
data = pd.read_csv('china_data.csv', encoding = 'gb18030')
china_geod = gp.GeoDataFrame.from_file('bou2_4p.shp', encoding = 'gb18030')#读取shp文件
data.head(6) #data数据只有两列，分别是prov（列名），gdpc（人均GDP）
china_geod.head(6)#如表1所示
china_geod.plot()#查看地图，如图1所示
表1 china_geod数据的前6行
图1 查看地图
下面进行数据合并。在进行数据合并之前，要先转换 ，并修改列名。data是pandas.DataFrame，而china_geod则是一个geopandas.DataFrame，为了下面使用geopandas的merge函数进行数据合并，先要将pandas.DataFrame转换为geopandas.DataFrame。此外，使用merge函数进行合并时，两个DataFrame中相同数据的列名必须一致，在china_geodp这个GeoDataFrame中显示省份的列名为’NAME’，而在data pandas.DataFrame中，对应的列名为prov，在里使用rename函数将china_geodp的NAME这一列重新命名为prov。
data_geod = gp.GeoDataFrame(data)##将data转换为geopandas.DataFrame
china_geod = china_geod.rename(index = str, columns = {'NAME':'prov'})#修改列名
da_merge = china_geod.merge(data_geod, on = 'prov', how = 'left')#数据合并
sum(np.isnan(da_merge['gdpc']))#有54行有缺失数据
da_merge['gdpc'][np.isnan(da_merge['gdpc'])] = 14.0#填充缺失数据
da_merge.plot('gdpc', k = 4, cmap = plt.cm.Greens)#图形初步，如图2所示
图2 绘图初步
对geopandas.DataFrame使用plot函数时，主要设置column、k、cmap参数，其中column为Geopandas.DataFrame列名，k为显示的颜色数量，cmap为颜色类型，此外legend为是否设置图例，scheme为配色方案（调用此参数时需要安装pysal库）， figsize为图形大小。
#颜色不够明显，将透明度参数alpha设为1
da_merge.plot('gdpc', k = 4, cmap = plt.cm.Greens, alpha= 1.0)
da_merge.plot('gdpc', k = 4, cmap = plt.cm.Greens, scheme = 'percentiles',alpha= 1, figsize = (9, 9), legend = True)
plt.text(x = 76, y = 16, s = u'单位：万元', fontsize = 13)#添加文字
plt.title(u'2015年各省市人均GDP', fontsize=15)#设置图形标题
plt.gca().xaxis.set_major_locator(plt.NullLocator())#去掉x轴刻度
plt.gca().yaxis.set_major_locator(plt.NullLocator())#去年y轴刻度
图3 最终效果图
最终效果如上图3所示，至此绘图完毕！
