ข้ามไปยังเนื้อหาหลัก

บ้าน Python

Courses

Working with Geospatial Data in Python

ระดับกลางระดับทักษะ

อัปเดตแล้ว 06/2568

This course will show you how to integrate spatial data into your Python Data Science workflow.

เริ่มเรียนหลักสูตรฟรี

PythonData Manipulation4 ชม.16 videos53 Exercises4,500 เอ็กซ์พี17,487คำแถลงแสดงความสำเร็จ

สร้างบัญชีฟรีของคุณ

หรือ

เมื่อดำเนินการต่อ คุณยอมรับข้อกำหนดการใช้งานของเรา นโยบายความเป็นส่วนตัวของเรา และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บไว้ในสหรัฐอเมริกา

เป็นที่ชื่นชอบของผู้เรียนในบริษัทหลายพันแห่ง

ฝึกอบรมบุคคลตั้งแต่ 2 คนขึ้นไป?

ลองใช้ DataCamp for Business

คำอธิบายรายวิชา

A good proportion of the data out there in the real world is inherently spatial. From the population recorded in the national census, to every shop in your neighborhood, the majority of datasets have a location aspect that you can exploit to make the most of what they have to offer. This course will show you how to integrate spatial data into your Python Data Science workflow. You will learn how to interact with, manipulate and augment real-world data using their geographic dimension. You will learn to read tabular spatial data in the most common formats (e.g. GeoJSON, shapefile, geopackage) and visualize them in maps. You will then combine different sources using their location as the bridge that puts them in relation to each other. And, by the end of the course, you will be able to understand what makes geographic data unique, allowing you to transform and repurpose them in different contexts.

ข้อกำหนดเบื้องต้น

Data Manipulation with pandas

1

Introduction to Geospatial Vector Data

In this chapter, you will be introduced to the concepts of geospatial data, and more specifically of vector data. You will then learn how to represent such data in Python using the GeoPandas library, and the basics to read, explore and visualize such data. And you will exercise all this with some datasets about the city of Paris.

Geospatial data

50 เอ็กซ์พี

Restaurants in Paris

100 เอ็กซ์พี

Adding a background map

100 เอ็กซ์พี

Introduction to GeoPandas

50 เอ็กซ์พี

Explore the Paris districts (I)

100 เอ็กซ์พี

Explore the Paris districts (II)

100 เอ็กซ์พี

The Paris restaurants as a GeoDataFrame

100 เอ็กซ์พี

Exploring and visualizing spatial data

50 เอ็กซ์พี

Visualizing the population density

100 เอ็กซ์พี

Using pandas functionality: groupby

100 เอ็กซ์พี

Plotting multiple layers

100 เอ็กซ์พี

เริ่มบท

2

Spatial Relationships

One of the key aspects of geospatial data is how they relate to each other in space. In this chapter, you will learn the different spatial relationships, and how to use them in Python to query the data or to perform spatial joins. Finally, you will also learn in more detail about choropleth visualizations.

Shapely geometries and spatial relationships

50 เอ็กซ์พี

Creating a Point geometry

100 เอ็กซ์พี

Shapely's spatial methods

100 เอ็กซ์พี

Spatial relationships with GeoPandas

50 เอ็กซ์พี

In which district in the Eiffel Tower located?

100 เอ็กซ์พี

How far is the closest restaurant?

100 เอ็กซ์พี

The spatial join operation

50 เอ็กซ์พี

Paris: spatial join of districts and bike stations

100 เอ็กซ์พี

Map of tree density by district (1)

100 เอ็กซ์พี

Map of tree density by district (2)

100 เอ็กซ์พี

Choropleths

50 เอ็กซ์พี

Equal interval choropleth

100 เอ็กซ์พี

Quantiles choropleth

100 เอ็กซ์พี

Compare classification algorithms

100 เอ็กซ์พี

เริ่มบท

3

Projecting and Transforming Geometries

In this chapter, we will take a deeper look into how the coordinates of the geometries are expressed based on their Coordinate Reference System (CRS). You will learn the importance of those reference systems and how to handle it in practice with GeoPandas. Further, you will also learn how to create new geometries based on the spatial relationships, which will allow you to overlay spatial datasets. And you will further practice this all with Paris datasets!

Coordinate Reference Systems

50 เอ็กซ์พี

Geographic vs projected coordinates

100 เอ็กซ์พี

Working with coordinate systems in GeoPandas

50 เอ็กซ์พี

Projecting a GeoDataFrame

100 เอ็กซ์พี

Projecting a Point

100 เอ็กซ์พี

Calculating distance in a projected CRS

100 เอ็กซ์พี

Projecting to Web Mercator for using web tiles

100 เอ็กซ์พี

Spatial operations: creating new geometries

50 เอ็กซ์พี

Exploring a Land Use dataset

100 เอ็กซ์พี

Intersection of two polygons

100 เอ็กซ์พี

Intersecting a GeoDataFrame with a Polygon

100 เอ็กซ์พี

Overlaying spatial datasets

50 เอ็กซ์พี

Overlay of two polygon layers

100 เอ็กซ์พี

Inspecting the overlay result

100 เอ็กซ์พี

เริ่มบท

4

Putting It All Together – Artisanal Mining Sites Case Study

In this final chapter, we leave the Paris data behind us, and apply everything we have learnt up to now on a brand new dataset about artisanal mining sites in Eastern Congo. Further, you will still learn some new spatial operations, how to apply custom spatial operations, and you will get a sneak preview into raster data.

Introduction to the dataset

50 เอ็กซ์พี

Import and explore the data

100 เอ็กซ์พี

Convert to common CRS and save to a file

100 เอ็กซ์พี

Styling a multi-layered plot

100 เอ็กซ์พี

Additional spatial operations

50 เอ็กซ์พี

Buffer around a point

100 เอ็กซ์พี

Mining sites within national parks

100 เอ็กซ์พี

Applying custom spatial operations

50 เอ็กซ์พี

Finding the name of the closest National Park

100 เอ็กซ์พี

Applying a custom operation to each geometry

100 เอ็กซ์พี

Working with raster data

50 เอ็กซ์พี

Import and plot raster data

100 เอ็กซ์พี

Extract information from raster layer

100 เอ็กซ์พี

50 เอ็กซ์พี

เริ่มบท

Working with Geospatial Data in Python

หลักสูตรเสร็จสมบูรณ์

ได้รับใบรับรองความสำเร็จ

เพิ่มข้อมูลรับรองนี้ลงในโปรไฟล์ LinkedIn, ประวัติย่อ หรือเรซูเม่ของคุณ
แชร์ลงในโซเชียลมีเดียและในรายงานประเมินผลการปฏิบัติงานของคุณลงทะเบียนเลย

สำหรับธุรกิจ

ฝึกอบรมบุคคลตั้งแต่ 2 คนขึ้นไป?

ให้ทีมของคุณเข้าถึงแพลตฟอร์ม DataCamp แบบเต็มรูปแบบ รวมถึงฟีเจอร์ทั้งหมด

instructors

Dani Arribas-Bel

Senior Lecturer in Geographic Data Science

Joris Van den Bossche

Open Source Software Developer; Core Developer of Pandas, GeoPandas and scikit-learn

collaborators

Mari Nazary

Sara Billen

Courses resources

Parisdatasets

Miningdatasets

Cod Conservation Shapefiledatasets

เข้าร่วมกับ... 19 ล้านผู้เรียน และเริ่ม Working with Geospatial Data in Python วันนี้เลย!

สร้างบัญชีฟรีของคุณ

หรือ

เมื่อดำเนินการต่อ คุณยอมรับข้อกำหนดการใช้งานของเรา นโยบายความเป็นส่วนตัวของเรา และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บไว้ในสหรัฐอเมริกา

พัฒนาทักษะด้านข้อมูลของคุณด้วย DataCamp for Mobile

พัฒนาทักษะได้ทุกที่ทุกเวลาด้วยคอร์สเรียนบนมือถือและแบบฝึกหัดเขียนโค้ดประจำวัน 5 นาทีของเรา