Python空间数据处理环境搭建

本文涉及的产品
实时数仓Hologres,5000CU*H 100GB 3个月
智能开放搜索 OpenSearch行业算法版,1GB 20LCU 1个月
检索分析服务 Elasticsearch 版,2核4GB开发者规格 1个月
简介: 常用的空间数据处理Python库GDAL 全能型的基础空间数据处理库fiona 基于GDAL的空间矢量数据处理库rasterio 基于GDAL的空间栅格处理库basemap 基于matplotlib的空间制图库GeoPandas 基于pandas的空间数据分析库RSGISlib 针对遥感数据及GIS分析的高级库

Python空间数据处理环境搭建

作者:阿振

邮箱:tanzhenyugis@163.com

博客:https://blog.csdn.net/theonegis/article/details/80089375

修改时间:2018-04-26

优酷视频地址:http://v.youku.com/v_show/id_XMzU2NjAzMTk0NA==.html


Conda的下载和安装

什么是Conda? 官方定义:Package, dependency and environment management for any language—Python, R, Ruby, Lua, Scala, Java, JavaScript, C/ C++, FORTRAN

Conda就是一个虚拟环境和包(库)依赖管理工具

下载地址:Downloading conda

对于Windows版本的,确定Python版本和系统类型直接下载安装包进行安装

对于Linux和macOS系统,在Terminal中运行bash脚本进行安装即可。

Conda的使用

新建虚拟环境(Managing environments

conda create -n osgeo

切换到新建的虚拟环境

source activate osgeo (Linux和macOS)

activate osgeo (Windows)

退出虚拟环境

source deactivate (Linux和macOS)

deactivate (Windows)

实用命令:

  • 查看虚拟环境列表 conda env list 或者 conda info --envs
  • 删除虚拟环境 conda remove --name <environment> --all
  • 查看虚拟环境中的包列表 conda list
  • 更新conda或者某个包 conda update conda 或者 conda update <package>
  • 更新虚拟环境下的所有包 conda update --all
  • 查看过时的包 conda search --outdated
  • 搜索指定包 conda search <package>
  • 删除某个包 conda remove <package>
  • 添加channel到conda配置文件 conda config --add channels <channel> 或者 conda config --append channels <channel>

空间数据处理Python库的安装

常用的空间数据处理Python库

  • GDAL 全能型的基础空间数据处理库
  • fiona 基于GDAL的空间矢量数据处理库
  • rasterio 基于GDAL的空间栅格处理库
  • basemap 基于matplotlib的空间制图库
  • GeoPandas 基于pandas的空间数据分析库
  • RSGISlib 针对遥感数据及GIS分析的高级库

使用conda进行库的安装

打开命令行工具(Terminal),输入命令,进入虚拟环境

  1. 安装GDAL库

    conda install -c conda-forge gdal

  2. 安装fiona库

    conda install -c conda-forge fiona

  3. 安装rasterio库

    conda install -c conda-forge rasterio

使用pip进行库的安装

什么是pip呢?pip是Python默认和推荐实用的包管理工具,可以利用pip从PyPI网络仓库自动下载Python包进行安装和管理。

对于Windows下的二进制库的预编译包,提供给大家一个网站:[Unofficial Windows Binaries for Python Extension Packages]

使用pip安装的时候,如果该Python包底层依赖一些C++库,则需要手动进行编译,或者安装指定平台下预编译好的库。

  1. 安装GDAL库

    pip install GDAL‑2.2.4‑cp37‑cp37m‑win_amd64.whl

  2. 安装fiona库

    pip install Fiona‑1.7.11.post1‑cp37‑cp37m‑win_amd64.whl

  3. 安装rasterio库

    pip install rasterio‑1.0a12‑cp37‑cp37m‑win_amd64.whl

  4. 安装Jupyter

    pip install jupyter

    使用Jupyter Notebook进行编程

    jupyter notebook

目录
相关文章
|
16天前
|
数据采集 存储 数据挖掘
Python数据分析:Pandas库的高效数据处理技巧
【10月更文挑战第27天】在数据分析领域,Python的Pandas库因其强大的数据处理能力而备受青睐。本文介绍了Pandas在数据导入、清洗、转换、聚合、时间序列分析和数据合并等方面的高效技巧,帮助数据分析师快速处理复杂数据集,提高工作效率。
45 0
|
25天前
|
数据采集 JSON 数据处理
抓取和分析JSON数据:使用Python构建数据处理管道
在大数据时代,电商网站如亚马逊、京东等成为数据采集的重要来源。本文介绍如何使用Python结合代理IP、多线程等技术,高效、隐秘地抓取并处理电商网站的JSON数据。通过爬虫代理服务,模拟真实用户行为,提升抓取效率和稳定性。示例代码展示了如何抓取亚马逊商品信息并进行解析。
抓取和分析JSON数据:使用Python构建数据处理管道
|
9天前
|
机器学习/深度学习 数据处理 Python
SciPy 教程 之 SciPy 空间数据 4
本教程介绍了SciPy的空间数据处理功能,主要通过scipy.spatial模块实现。内容涵盖空间数据的基本概念、距离矩阵的定义及其在生物信息学中的应用,以及如何计算欧几里得距离。示例代码展示了如何使用SciPy计算两点间的欧几里得距离。
25 5
|
8天前
|
机器学习/深度学习 Python
SciPy 教程 之 SciPy 空间数据 6
本教程介绍了SciPy处理空间数据的方法,包括使用scipy.spatial模块进行点位置判断、最近点计算等内容。还详细讲解了距离矩阵的概念及其应用,如在生物信息学中表示蛋白质结构等。最后,通过实例演示了如何计算两点间的余弦距离。
17 3
|
7天前
|
机器学习/深度学习 数据处理 Python
SciPy 教程 之 SciPy 空间数据 7
本教程介绍了SciPy的空间数据处理功能,涵盖如何使用`scipy.spatial`模块进行点的位置判断、最近点计算等操作。还详细解释了距离矩阵的概念及其在生物信息学中的应用,以及汉明距离的定义和计算方法。示例代码展示了如何计算两个点之间的汉明距离。
14 1
|
10天前
|
图形学 Python
SciPy 空间数据2
凸包(Convex Hull)是计算几何中的概念,指包含给定点集的所有凸集的交集。可以通过 `ConvexHull()` 方法创建凸包。示例代码展示了如何使用 `scipy` 库和 `matplotlib` 绘制给定点集的凸包。
20 1
|
16天前
|
存储 数据处理 Python
Python科学计算:NumPy与SciPy的高效数据处理与分析
【10月更文挑战第27天】在科学计算和数据分析领域,Python凭借简洁的语法和强大的库支持广受欢迎。NumPy和SciPy作为Python科学计算的两大基石,提供了高效的数据处理和分析工具。NumPy的核心功能是N维数组对象(ndarray),支持高效的大型数据集操作;SciPy则在此基础上提供了线性代数、信号处理、优化和统计分析等多种科学计算工具。结合使用NumPy和SciPy,可以显著提升数据处理和分析的效率,使Python成为科学计算和数据分析的首选语言。
27 3
|
17天前
|
存储 数据挖掘 数据处理
Python数据分析:Pandas库的高效数据处理技巧
【10月更文挑战第26天】Python 是数据分析领域的热门语言,Pandas 库以其高效的数据处理功能成为数据科学家的利器。本文介绍 Pandas 在数据读取、筛选、分组、转换和合并等方面的高效技巧,并通过示例代码展示其实际应用。
30 2
|
17天前
|
存储 机器学习/深度学习 算法
Python科学计算:NumPy与SciPy的高效数据处理与分析
【10月更文挑战第26天】NumPy和SciPy是Python科学计算领域的两大核心库。NumPy提供高效的多维数组对象和丰富的数学函数,而SciPy则在此基础上提供了更多高级的科学计算功能,如数值积分、优化和统计等。两者结合使Python在科学计算中具有极高的效率和广泛的应用。
33 2
|
8天前
|
分布式计算 并行计算 大数据
Python编程中的高效数据处理技巧
Python编程中的高效数据处理技巧
25 0