GeoPandas是对pandas的扩展，用于处理地理空间数据
GeoDataFrame是其中一个数据类型，和ArcGIS中的属性表很像，有几何形状字段（红框）和常规的属性字段（绿框），就名称不一样而已。
前提：import geopandas as gpd
读入之后，df为GeoDataFrame格式，结构如下：
结果：
geometry字段中记录的是几何形状，类型是GeoSeries，有很多函数进行相应操作
之后的df完全可以套用dataframe的操作方法
假如现在的df为：
iloc 输入的是数字类型位置索引
loc 输入的是文本类型的位置索引名
at 和loc的用法差不多
it 就是属性表中的一行。math为其中的一个字段名
输出：
df[1]['math']=100 这种只要是 用两个括号进行索引修改的均无效 ，这种索引方式可以理解为先拿出了一行（是个视图），修改实际上并未对原数据修改。
此外，尝试利用上述iloc遍历修改也不行
会出现错误：
正确做法是在原df上取值，一个括号直接定位。
通过iloc遍历修改可写成如下方式：
关键语句：gp.name
正常人的思维都会认为sort_values排序之后，按1,2,3……去索引数据的时候就是一个从排好序的数据，但是实际上如下图所示，sort_values后数据表确实按数学成绩排序了，但是索引并未改变，这是按照按1,2,3……去索引其实还是原来的顺序，看起来好像并未排序，所以排序后最好用reset_index重新建立索引。
以下将string类型的Neighbors改为list类型
以下将list类型的Neighbors改为string类型
在上一课中，我们已经介绍过使用 Plotly 实现地理信息可视化的方法。但是，那个工具对我们不是很友好，特别是由于某种不可抗力的存在，可能根本无法调试。
不过，pyecharts 的确在地理信息可视化上做得不错——如果仅做国内地图，特别推荐使用，还是通过示例来说明吧。
首先，要安装地图文件，安装方法如下：
不仅可以安装上述官方提供的地图文件，还能够自己制作个性化的地图扩展， 具体请点击这里参阅 。
有了上述基础，就可以进行地理信息可视化了（以下示例的数据源， 请点击这里查看 ）。
实现上述效果的类是 Geo，默认情况下绘制散点图，此外可以实现 type='effectScatter'（闪耀的散点图）和 type='heatmap'（热图）。
此图也是动态交互的，通过左侧图例选择不同数值范围，相应地会显示该范围内的数据。
如果按照前面所述安装了各种地图文件，还可以在 geo.add 方法中规定地理范围。
在 pyecharts 地图中认可的城市名称都如同上述结果显示的那样，例如“阜新”，不要写成“阜新市”。
下面就绘制江苏省的空气质量分布图。
输出结果：
这里的 geo.add 参数与前面的不同，导致了展示效果的差异。
一直以来，房价都是人们关注的话题，下面就用可视化的方式研究一下近十年（2009—2018 年）全国部分城市平均房价（数据源： https://github.com/qiwsir/DataSet/tree/master/house ）。
输出结果：
在热图查看房价的基础上，为了更准确查看某些城市的房价走向，可以使用折线图看看趋势，例如下列几个城市。
随着geojson变得越来越流行，需要给geojson一些具体的数据操作。我在写这库的工程中也是学习的过程，希望也能给你的GIS学习一点点帮助。
将脚本 geojson_utils.py 复制到你的文件夹中，然后输入：
验证两条线是否相交并求出交点。 原理
判断点是否在多边形内部。原理大致如下：
判断点是否在多个多边形内
通过一个中心点和半径获得一个圆形的图形
取出矩形的中心点
两点的互联网球面距离
(参考 http://www.movable-type.co.uk/scripts/latlong.html )，注意这个是球型距离，非大地陀球距离
判断点线面是否在某点半价内
求多边形面积
多边形中心点
adapted from http://paulbourke.net/geometry/polyarea/javascript.txt
通过起点，距离和角度来计算终点
