Raumbezogene Analysedaten mit einem Colab-Notebook visualisieren

Colab-Notebook erstellen

In dieser Anleitung wird ein Colab-Notebook erstellt, um Daten aus raumbezogenen Analysen zu visualisieren. Sie können eine vorgefertigte Version des Notebooks in Colab, Colab Enterprise oder BigQuery Studio öffnen, indem Sie auf die Links oben in der GitHub-Version des Tutorials klicken: BigQuery Geospatial Visualization in Colab.

1. Öffnen Sie Colab.

   Colab öffnen

2. Klicken Sie im Dialogfeld Notebook öffnen auf Neues Notebook.

3. Klicken Sie auf Untitled0.ipynb und ändern Sie den Namen des Notebooks in bigquery-geo.ipynb.

4. Wählen Sie Datei > Speichern aus.

Mit Google Cloud und Google Maps authentifizieren

In dieser Anleitung werden BigQuery-Datasets abgefragt und die Google Maps JavaScript API verwendet. Um diese Ressourcen zu verwenden, authentifizieren Sie die Colab-Laufzeit mit Google Cloud und der Maps API.

Mit Google Cloudauthentifizieren

1. Wenn Sie eine Codezelle einfügen möchten, klicken Sie auf add Code.

2. Geben Sie den folgenden Code ein, um sich mit Ihrem Projekt zu authentifizieren:

   # REQUIRED: Authenticate with your project.
   GCP_PROJECT_ID = "PROJECT_ID"  #@param {type:"string"}
   
   from google.colab import auth
   from google.colab import userdata
   
   auth.authenticate_user(project_id=GCP_PROJECT_ID)
   
   # Set GMP_API_KEY to none
   GMP_API_KEY = None

   Ersetzen Sie PROJECT_ID durch Ihre Projekt-ID.

3. Klicken Sie auf play_circle_filled Zelle ausführen.

4. Wenn Sie dazu aufgefordert werden, klicken Sie auf Zulassen, um Colab Zugriff auf Ihre Anmeldedaten zu gewähren, sofern Sie damit einverstanden sind.

5. Wählen Sie auf der Seite Über Google anmelden Ihr Konto aus.

6. Klicken Sie auf der Seite Bei Notebook-Code von Drittanbietern anmelden auf Weiter.

7. Klicken Sie unter Select what third-party authored notebook code can access (Auswählen, worauf Notebook-Code von Drittanbietern zugreifen kann) auf Select all (Alle auswählen) und dann auf Continue (Weiter).

   Nach Abschluss des Autorisierungsablaufs wird in Ihrem Colab-Notebook keine Ausgabe generiert. Das Häkchen neben der Zelle gibt an, dass der Code erfolgreich ausgeführt wurde.

Optional: Mit Google Maps authentifizieren

Wenn Sie die Google Maps Platform als Kartenanbieter für Basiskarten verwenden, müssen Sie einen Google Maps Platform API-Schlüssel angeben. Das Notebook ruft den Schlüssel aus Ihren Colab Secrets ab.

Dieser Schritt ist nur erforderlich, wenn Sie die Maps API verwenden. Wenn Sie sich nicht bei der Google Maps Platform authentifizieren, wird in pydeck stattdessen die carto-Karte verwendet.

1. Rufen Sie Ihren Google Maps API-Schlüssel ab, indem Sie der Anleitung auf der Seite API-Schlüssel verwenden in der Google Maps-Dokumentation folgen.

2. Wechseln Sie zu Ihrem Colab-Notebook und klicken Sie dann auf vpn_key Secrets.

3. Klicken Sie auf Neues Secret hinzufügen.

4. Geben Sie unter Name GMP_API_KEY ein.

5. Geben Sie unter Wert den zuvor generierten Maps API-Schlüsselwert ein.

6. Schließen Sie den Bereich Secrets.

7. Wenn Sie eine Codezelle einfügen möchten, klicken Sie auf add Code.

8. Geben Sie den folgenden Code ein, um sich mit der Maps API zu authentifizieren:

   # Authenticate with the Google Maps JavaScript API.
   GMP_API_SECRET_KEY_NAME = "GMP_API_KEY" #@param {type:"string"}
   
   if GMP_API_SECRET_KEY_NAME:
     GMP_API_KEY = userdata.get(GMP_API_SECRET_KEY_NAME) if GMP_API_SECRET_KEY_NAME else None
   else:
     GMP_API_KEY = None

9. Wenn Sie dazu aufgefordert werden, klicken Sie auf Zugriff gewähren, um dem Notebook Zugriff auf Ihren Schlüssel zu gewähren, sofern Sie damit einverstanden sind.

10. Klicken Sie auf play_circle_filled Zelle ausführen.

    Nach Abschluss des Autorisierungsablaufs wird in Ihrem Colab-Notebook keine Ausgabe generiert. Das Häkchen neben der Zelle gibt an, dass der Code erfolgreich ausgeführt wurde.

Python-Pakete installieren und Data-Science-Bibliotheken importieren

Zusätzlich zu den colabtools-Python-Modulen (google.colab) werden in dieser Anleitung mehrere andere Python-Pakete und Data-Science-Bibliotheken verwendet.

In diesem Abschnitt installieren Sie die Pakete pydeck und h3. pydeck bietet räumliches Rendering in großem Maßstab in Python, unterstützt von deck.gl. h3-py bietet das H3-System von Uber zur hierarchischen hexagonalen geospatialen Indexierung in Python.

Anschließend importieren Sie die Bibliotheken h3 und pydeck sowie die folgenden räumlichen Python-Bibliotheken:

• geopandas, um die von pandas verwendeten Datentypen zu erweitern und räumliche Vorgänge für geometrische Typen zu ermöglichen.
• shapely für die Bearbeitung und Analyse einzelner planarer geometrischer Objekte.
• branca zum Generieren von HTML- und JavaScript-Farbkarten.
• geemap.deck für die Visualisierung mit pydeck und earthengine-api.

Nachdem Sie die Bibliotheken importiert haben, aktivieren Sie interaktive Tabellen für pandas-DataFrames in Colab.

Installieren Sie die Pakete pydeck und h3.

1. Wenn Sie eine Codezelle einfügen möchten, klicken Sie auf add Code.

2. Geben Sie den folgenden Code ein, um die Pakete pydeck und h3 zu installieren:

   # Install pydeck and h3.
   !pip install pydeck>=0.9 h3>=4.2

3. Klicken Sie auf play_circle_filled Zelle ausführen.

   Nach Abschluss der Installation wird in Ihrem Colab-Notebook keine Ausgabe generiert. Das Häkchen neben der Zelle gibt an, dass der Code erfolgreich ausgeführt wurde.

Python-Bibliotheken importieren

1. Wenn Sie eine Codezelle einfügen möchten, klicken Sie auf add Code.

2. Geben Sie den folgenden Code ein, um die Python-Bibliotheken zu importieren:

   # Import data science libraries.
   import branca
   import geemap.deck as gmdk
   import h3
   import pydeck as pdk
   import geopandas as gpd
   import shapely

3. Klicken Sie auf play_circle_filled Zelle ausführen.

   Nachdem Sie den Code ausgeführt haben, wird in Ihrem Colab-Notebook keine Ausgabe generiert. Das Häkchen neben der Zelle gibt an, dass der Code erfolgreich ausgeführt wurde.

Interaktive Tabellen für pandas DataFrames aktivieren

1. Wenn Sie eine Codezelle einfügen möchten, klicken Sie auf add Code.

2. Geben Sie den folgenden Code ein, um pandas-DataFrames zu aktivieren:

   # Enable displaying pandas data frames as interactive tables by default.
   from google.colab import data_table
   data_table.enable_dataframe_formatter()

3. Klicken Sie auf play_circle_filled Zelle ausführen.

   Nachdem Sie den Code ausgeführt haben, wird in Ihrem Colab-Notebook keine Ausgabe generiert. Das Häkchen neben der Zelle gibt an, dass der Code erfolgreich ausgeführt wurde.

Freigegebene Routine erstellen

In diesem Abschnitt erstellen Sie eine gemeinsame Routine, mit der Ebenen auf einer Basiskarte gerendert werden.

1. Wenn Sie eine Codezelle einfügen möchten, klicken Sie auf add Code.

2. Geben Sie den folgenden Code ein, um eine gemeinsame Routine zum Rendern von Layern auf einer Karte zu erstellen:

   # Set Google Maps as the base map provider.
   MAP_PROVIDER_GOOGLE = pdk.bindings.base_map_provider.BaseMapProvider.GOOGLE_MAPS.value
   
   # Shared routine for rendering layers on a map using geemap.deck.
   def display_pydeck_map(layers, view_state, **kwargs):
     deck_kwargs = kwargs.copy()
   
     # Use Google Maps as the base map only if the API key is provided.
     if GMP_API_KEY:
       deck_kwargs.update({
         "map_provider": MAP_PROVIDER_GOOGLE,
         "map_style": pdk.bindings.map_styles.GOOGLE_ROAD,
         "api_keys": {MAP_PROVIDER_GOOGLE: GMP_API_KEY},
       })
   
     m = gmdk.Map(initial_view_state=view_state, ee_initialize=False, **deck_kwargs)
   
     for layer in layers:
       m.add_layer(layer)
     return m

3. Klicken Sie auf play_circle_filled Zelle ausführen.

   Nachdem Sie den Code ausgeführt haben, wird in Ihrem Colab-Notebook keine Ausgabe generiert. Das Häkchen neben der Zelle gibt an, dass der Code erfolgreich ausgeführt wurde.

Streudiagramm erstellen

In diesem Abschnitt erstellen Sie ein Streudiagramm aller Bike-Sharing-Stationen im öffentlichen Dataset „San Francisco Ford GoBike Share“, indem Sie Daten aus der Tabelle bigquery-public-data.san_francisco_bikeshare.bikeshare_station_info abrufen. Das Streudiagramm wird mit einer Ebene und einer Streudiagrammebene aus dem deck.gl-Framework erstellt.

Streudiagramme sind nützlich, wenn Sie eine Teilmenge einzelner Punkte überprüfen müssen (auch als Stichprobenprüfung bezeichnet).

Im folgenden Beispiel wird gezeigt, wie Sie eine Ebene und eine Scatterplot-Ebene verwenden, um einzelne Punkte als Kreise zu rendern.

1. Wenn Sie eine Codezelle einfügen möchten, klicken Sie auf add Code.

2. Geben Sie den folgenden Code ein, um das öffentliche Dataset „San Francisco Ford GoBike Share“ abzufragen. In diesem Code wird die Magic-Funktion %%bigquery verwendet, um die Abfrage auszuführen und die Ergebnisse in einem DataFrame zurückzugeben:

   # Query the station ID, station name, station short name, and station
   # geometry from the bike share dataset.
   # NOTE: In this tutorial, the denormalized 'lat' and 'lon' columns are
   # ignored. They are decomposed components of the geometry.
   %%bigquery gdf_sf_bikestations --project {GCP_PROJECT_ID} --use_geodataframe station_geom
   
   SELECT
     station_id,
     name,
     short_name,
     station_geom
   FROM
     `bigquery-public-data.san_francisco_bikeshare.bikeshare_station_info`

3. Klicken Sie auf play_circle_filled Zelle ausführen.

   Die Ausgabe sieht etwa so aus:

   Job ID 12345-1234-5678-1234-123456789 successfully executed: 100%

4. Wenn Sie eine Codezelle einfügen möchten, klicken Sie auf add Code.

5. Geben Sie den folgenden Code ein, um eine Zusammenfassung des DataFrames zu erhalten, einschließlich Spalten und Datentypen:

   # Get a summary of the DataFrame
   gdf_sf_bikestations.info()

6. Klicken Sie auf play_circle_filled Zelle ausführen.

   Die Ausgabe sollte so aussehen:

   <class 'geopandas.geodataframe.GeoDataFrame'>
   RangeIndex: 472 entries, 0 to 471
   Data columns (total 4 columns):
   #   Column        Non-Null Count  Dtype
   ---  ------        --------------  -----
   0   station_id    472 non-null    object
   1   name          472 non-null    object
   2   short_name    472 non-null    object
   3   station_geom  472 non-null    geometry
   dtypes: geometry(1), object(3)
   memory usage: 14.9+ KB
   

7. Wenn Sie eine Codezelle einfügen möchten, klicken Sie auf add Code.

8. Geben Sie den folgenden Code ein, um sich die ersten fünf Zeilen des DataFrames als Vorschau anzeigen zu lassen:

   # Preview the first five rows
   gdf_sf_bikestations.head()

9. Klicken Sie auf play_circle_filled Zelle ausführen.

   Die Ausgabe sieht etwa so aus:

   

Zum Rendern der Punkte müssen Sie den Längengrad und den Breitengrad als x- und y-Koordinaten aus der Spalte station_geom im Datensatz für Leihfahrräder extrahieren.

Da gdf_sf_bikestations ein geopandas.GeoDataFrame ist, wird direkt über die Spalte station_geom der Geometrie auf die Koordinaten zugegriffen. Sie können den Längengrad mit dem Attribut .x der Spalte und den Breitengrad mit dem Attribut .y abrufen. Anschließend können Sie sie in neuen Spalten für Längen- und Breitengrad speichern.

1. Wenn Sie eine Codezelle einfügen möchten, klicken Sie auf add Code.

2. Geben Sie den folgenden Code ein, um die Längen- und Breitenwerte aus der Spalte station_geom zu extrahieren:

   # Extract the longitude (x) and latitude (y) from station_geom.
   gdf_sf_bikestations["longitude"] = gdf_sf_bikestations["station_geom"].x
   gdf_sf_bikestations["latitude"] = gdf_sf_bikestations["station_geom"].y

3. Klicken Sie auf play_circle_filled Zelle ausführen.

   Nachdem Sie den Code ausgeführt haben, wird in Ihrem Colab-Notebook keine Ausgabe generiert. Das Häkchen neben der Zelle gibt an, dass der Code erfolgreich ausgeführt wurde.

4. Wenn Sie eine Codezelle einfügen möchten, klicken Sie auf add Code.

5. Geben Sie den folgenden Code ein, um das Streudiagramm der Leihradstationen basierend auf den zuvor extrahierten Längen- und Breitengradwerten zu rendern:

   # Render a scatter plot using pydeck with the extracted longitude and
   # latitude columns in the gdf_sf_bikestations geopandas.GeoDataFrame.
   scatterplot_layer = pdk.Layer(
     "ScatterplotLayer",
     id="bike_stations_scatterplot",
     data=gdf_sf_bikestations,
     get_position=['longitude', 'latitude'],
     get_radius=100,
     get_fill_color=[255, 0, 0, 140],  # Adjust color as desired
     pickable=True,
   )
   
   view_state = pdk.ViewState(latitude=37.77613, longitude=-122.42284, zoom=12)
   display_pydeck_map([scatterplot_layer], view_state)

6. Klicken Sie auf play_circle_filled Zelle ausführen.

   Die Ausgabe sieht etwa so aus:

   

Polygone visualisieren

Mit raumbezogenen Analysen können Sie raumbezogene Daten in BigQuery mithilfe von GEOGRAPHY-Datentypen und geografischen GoogleSQL-Funktionen analysieren und visualisieren.

Der Datentyp GEOGRAPHY in der raumbezogenen Analyse ist eine Sammlung von Punkten, LineStrings und Polygonen, die als Punktset oder als Teilmenge der Erdoberfläche dargestellt werden. Ein GEOGRAPHY-Typ kann Objekte wie die folgenden enthalten:

• Punkte
• Linien
• Polygone
• Multipolygone

Eine Liste aller unterstützten Objekte finden Sie in der Dokumentation zum Typ GEOGRAPHY.

Wenn Sie Geodaten ohne Kenntnis der erwarteten Formen erhalten, können Sie die Daten visualisieren, um die Formen zu ermitteln. Sie können Formen visualisieren, indem Sie die geografischen Daten in das Format GeoJSON konvertieren. Anschließend können Sie die GeoJSON-Daten mit einer GeoJSON-Ebene aus dem deck.gl-Framework visualisieren.

In diesem Abschnitt fragen Sie geografische Daten im Dataset „San Francisco Neighborhoods“ ab und visualisieren dann die Polygone.

1. Wenn Sie eine Codezelle einfügen möchten, klicken Sie auf add Code.

2. Geben Sie den folgenden Code ein, um die geografischen Daten aus der Tabelle bigquery-public-data.san_francisco_neighborhoods.boundaries im Dataset „San Francisco Neighborhoods“ abzufragen. In diesem Code wird die %%bigquery-Magic-Funktion verwendet, um die Abfrage auszuführen und die Ergebnisse in einem DataFrame zurückzugeben:

   # Query the neighborhood name and geometry from the San Francisco
   # neighborhoods dataset.
   %%bigquery gdf_sanfrancisco_neighborhoods --project {GCP_PROJECT_ID} --use_geodataframe geometry
   
   SELECT
     neighborhood,
     neighborhood_geom AS geometry
   FROM
     `bigquery-public-data.san_francisco_neighborhoods.boundaries`

3. Klicken Sie auf play_circle_filled Zelle ausführen.

   Die Ausgabe sieht etwa so aus:

   Job ID 12345-1234-5678-1234-123456789 successfully executed: 100%

4. Wenn Sie eine Codezelle einfügen möchten, klicken Sie auf add Code.

5. Geben Sie den folgenden Code ein, um eine Zusammenfassung des DataFrames zu erhalten:

   # Get a summary of the DataFrame
   gdf_sanfrancisco_neighborhoods.info()

6. Klicken Sie auf play_circle_filled Zelle ausführen.

   Die Ergebnisse sollten so aussehen:

   <class 'geopandas.geodataframe.GeoDataFrame'>
   RangeIndex: 117 entries, 0 to 116
   Data columns (total 2 columns):
   #   Column        Non-Null Count  Dtype
   ---  ------        --------------  -----
   0   neighborhood  117 non-null    object
   1   geometry      117 non-null    geometry
   dtypes: geometry(1), object(1)
   memory usage: 2.0+ KB
   

7. Geben Sie den folgenden Code ein, um sich die erste Zeile des DataFrames als Vorschau anzeigen zu lassen:

   # Preview the first row
   gdf_sanfrancisco_neighborhoods.head(1)

8. Klicken Sie auf play_circle_filled Zelle ausführen.

   Die Ausgabe sieht etwa so aus:

   

   Die Daten in den Ergebnissen sind ein Polygon.

9. Wenn Sie eine Codezelle einfügen möchten, klicken Sie auf add Code.

10. Geben Sie den folgenden Code ein, um die Polygone zu visualisieren. Mit pydeck wird jede shapely-Objektinstanz in der Geometriespalte in das GeoJSON-Format konvertiert:

    # Visualize the polygons.
    geojson_layer = pdk.Layer(
        'GeoJsonLayer',
        id="sf_neighborhoods",
        data=gdf_sanfrancisco_neighborhoods,
        get_line_color=[127, 0, 127, 255],
        get_fill_color=[60, 60, 60, 50],
        get_line_width=100,
        pickable=True,
        stroked=True,
        filled=True,
      )
    view_state = pdk.ViewState(latitude=37.77613, longitude=-122.42284, zoom=12)
    display_pydeck_map([geojson_layer], view_state)

11. Klicken Sie auf play_circle_filled Zelle ausführen.

    Die Ausgabe sieht etwa so aus:

    

Choroplethenkarte erstellen

Wenn Sie Daten mit Polygonen untersuchen, die sich nur schwer in das GeoJSON-Format konvertieren lassen, können Sie stattdessen eine Polygonebene aus dem deck.gl-Framework verwenden. Eine Polygon-Ebene kann Eingabedaten bestimmter Typen verarbeiten, z. B. ein Array von Punkten.

In diesem Abschnitt verwenden Sie eine Polygonebene, um ein Array von Punkten zu rendern und die Ergebnisse zum Rendern einer Choroplethenkarte zu verwenden. Die Choroplethenkarte zeigt die Dichte von Leihfahrradstationen nach Stadtteil. Dazu werden Daten aus dem Dataset „San Francisco Neighborhoods“ mit dem Dataset „San Francisco Ford GoBike Share“ zusammengeführt.

1. Wenn Sie eine Codezelle einfügen möchten, klicken Sie auf add Code.

2. Geben Sie den folgenden Code ein, um die Anzahl der Stationen pro Stadtteil zu aggregieren und zu zählen und eine Spalte polygon zu erstellen, die ein Array von Punkten enthält:

   # Aggregate and count the number of stations per neighborhood.
   gdf_count_stations = gdf_sanfrancisco_neighborhoods.sjoin(gdf_sf_bikestations, how='left', predicate='contains')
   gdf_count_stations = gdf_count_stations.groupby(by='neighborhood')['station_id'].count().rename('num_stations')
   gdf_stations_x_neighborhood = gdf_sanfrancisco_neighborhoods.join(gdf_count_stations, on='neighborhood', how='inner')
   
   # To simulate non-GeoJSON input data, create a polygon column that contains
   # an array of points by using the pandas.Series.map method.
   gdf_stations_x_neighborhood['polygon'] = gdf_stations_x_neighborhood['geometry'].map(lambda g: list(g.exterior.coords))

3. Klicken Sie auf play_circle_filled Zelle ausführen.

   Nachdem Sie den Code ausgeführt haben, wird in Ihrem Colab-Notebook keine Ausgabe generiert. Das Häkchen neben der Zelle gibt an, dass der Code erfolgreich ausgeführt wurde.

4. Wenn Sie eine Codezelle einfügen möchten, klicken Sie auf add Code.

5. Geben Sie den folgenden Code ein, um für jedes Polygon eine fill_color-Spalte hinzuzufügen:

   # Create a color map gradient using the branch library, and add a fill_color
   # column for each of the polygons.
   colormap = branca.colormap.LinearColormap(
     colors=["lightblue", "darkred"],
     vmin=0,
     vmax=gdf_stations_x_neighborhood['num_stations'].max(),
   )
   gdf_stations_x_neighborhood['fill_color'] = gdf_stations_x_neighborhood['num_stations'] \
     .map(lambda c: list(colormap.rgba_bytes_tuple(c)[:3]) + [0.7 * 255])   # force opacity of 0.7

6. Klicken Sie auf play_circle_filled Zelle ausführen.

   Nachdem Sie den Code ausgeführt haben, wird in Ihrem Colab-Notebook keine Ausgabe generiert. Das Häkchen neben der Zelle gibt an, dass der Code erfolgreich ausgeführt wurde.

7. Wenn Sie eine Codezelle einfügen möchten, klicken Sie auf add Code.

8. Geben Sie den folgenden Code ein, um die Polygonebene zu rendern:

   # Render the polygon layer.
   polygon_layer = pdk.Layer(
     'PolygonLayer',
     id="bike_stations_choropleth",
     data=gdf_stations_x_neighborhood,
     get_polygon='polygon',
     get_fill_color='fill_color',
     get_line_color=[0, 0, 0, 255],
     get_line_width=50,
     pickable=True,
     stroked=True,
     filled=True,
   )
   view_state = pdk.ViewState(latitude=37.77613, longitude=-122.42284, zoom=12)
   display_pydeck_map([polygon_layer], view_state)

9. Klicken Sie auf play_circle_filled Zelle ausführen.

   Die Ausgabe sieht etwa so aus:

   

Heatmap erstellen

Choroplethenkarten sind nützlich, wenn Sie aussagekräftige Grenzen haben, die bekannt sind. Wenn Sie Daten ohne bekannte sinnvolle Grenzen haben, können Sie eine Heatmap-Ebene verwenden, um die kontinuierliche Dichte darzustellen.

Im folgenden Beispiel fragen Sie Daten in der Tabelle bigquery-public-data.san_francisco_sfpd_incidents.sfpd_incidents im Dataset „SFPD Reports“ (Berichte der Polizei von San Francisco) ab. Die Daten werden verwendet, um die Verteilung der Vorfälle im Jahr 2015 zu visualisieren.

Für Heatmaps empfiehlt es sich, die Daten vor dem Rendern zu quantisieren und zu aggregieren. In diesem Beispiel werden die Daten mithilfe der H3-Raumindexierung von Carto quantisiert und aggregiert. Die Heatmap wird mit einer Heatmap-Ebene aus dem deck.gl-Framework erstellt.

In diesem Beispiel wird die Quantisierung mit der Python-Bibliothek h3 durchgeführt, um die Vorfallpunkte in Sechsecke zu aggregieren. Die Funktion h3.latlng_to_cell wird verwendet, um die Position des Vorfalls (Breiten- und Längengrad) einem H3-Zellenindex zuzuordnen. Eine H3-Auflösung von 9 bietet ausreichend aggregierte Sechsecke für die Heatmap. Mit der Funktion h3.cell_to_latlng wird der Mittelpunkt jedes Sechsecks bestimmt.

1. Wenn Sie eine Codezelle einfügen möchten, klicken Sie auf add Code.

2. Geben Sie den folgenden Code ein, um die Daten im Dataset „Polizeiberichte in San Francisco“ abzufragen. In diesem Code wird die %%bigquery-Magic-Funktion verwendet, um die Abfrage auszuführen und die Ergebnisse in einem DataFrame zurückzugeben:

   # Query the incident key and location  data from the SFPD reports dataset.
   %%bigquery gdf_incidents --project {GCP_PROJECT_ID} --use_geodataframe location_geography
   
   SELECT
     unique_key,
     location_geography
   FROM (
     SELECT
       unique_key,
       SAFE.ST_GEOGFROMTEXT(location) AS location_geography, # WKT string to GEOMETRY
       EXTRACT(YEAR FROM timestamp) AS year,
     FROM `bigquery-public-data.san_francisco_sfpd_incidents.sfpd_incidents` incidents
   )
   WHERE year = 2015

3. Klicken Sie auf play_circle_filled Zelle ausführen.

   Die Ausgabe sieht etwa so aus:

   Job ID 12345-1234-5678-1234-123456789 successfully executed: 100%

4. Wenn Sie eine Codezelle einfügen möchten, klicken Sie auf add Code.

5. Um die Zelle für den Breiten- und Längengrad jedes Vorfalls zu berechnen, aggregieren Sie die Vorfälle für jede Zelle, erstellen Sie einen geopandas-DataFrame und fügen Sie den Mittelpunkt jedes Sechsecks für die Heatmap-Ebene hinzu. Geben Sie dazu den folgenden Code ein:

   # Compute the cell for each incident's latitude and longitude.
   H3_RESOLUTION = 9
   gdf_incidents['h3_cell'] = gdf_incidents.geometry.apply(
       lambda geom: h3.latlng_to_cell(geom.y, geom.x, H3_RESOLUTION)
   )
   
   # Aggregate the incidents for each hexagon cell.
   count_incidents = gdf_incidents.groupby(by='h3_cell')['unique_key'].count().rename('num_incidents')
   
   # Construct a new geopandas.GeoDataFrame with the aggregate results.
   # Add the center of each hexagon for the HeatmapLayer to render.
   gdf_incidents_x_cell = gpd.GeoDataFrame(data=count_incidents).reset_index()
   gdf_incidents_x_cell['h3_center'] = gdf_incidents_x_cell['h3_cell'].apply(h3.cell_to_latlng)
   gdf_incidents_x_cell.info()

6. Klicken Sie auf play_circle_filled Zelle ausführen.

   Die Ausgabe sieht etwa so aus:

   <class 'geopandas.geodataframe.GeoDataFrame'>
   RangeIndex: 969 entries, 0 to 968
   Data columns (total 3 columns):
   #   Column         Non-Null Count  Dtype
   --  ------         --------------  -----
   0   h3_cell        969 non-null    object
   1   num_incidents  969 non-null    Int64
   2   h3_center      969 non-null    object
   dtypes: Int64(1), object(2)
   memory usage: 23.8+ KB
   

7. Wenn Sie eine Codezelle einfügen möchten, klicken Sie auf add Code.

8. Geben Sie den folgenden Code ein, um sich die ersten fünf Zeilen des DataFrames als Vorschau anzeigen zu lassen:

   # Preview the first five rows.
   gdf_incidents_x_cell.head()

9. Klicken Sie auf play_circle_filled Zelle ausführen.

   Die Ausgabe sieht etwa so aus:

   

10. Wenn Sie eine Codezelle einfügen möchten, klicken Sie auf add Code.

11. Geben Sie den folgenden Code ein, um die Daten in ein JSON-Format zu konvertieren, das von HeatmapLayer verwendet werden kann:

    # Convert to a JSON format recognized by the HeatmapLayer.
    def _make_heatmap_datum(row) -> dict:
      return {
          "latitude": row['h3_center'][0],
          "longitude": row['h3_center'][1],
          "weight": float(row['num_incidents']),
      }
    
    heatmap_data = gdf_incidents_x_cell.apply(_make_heatmap_datum, axis='columns').values.tolist()

12. Klicken Sie auf play_circle_filled Zelle ausführen.

    Nachdem Sie den Code ausgeführt haben, wird in Ihrem Colab-Notebook keine Ausgabe generiert. Das Häkchen neben der Zelle gibt an, dass der Code erfolgreich ausgeführt wurde.

13. Wenn Sie eine Codezelle einfügen möchten, klicken Sie auf add Code.

14. Geben Sie den folgenden Code ein, um die Heatmap zu rendern:

    # Render the heatmap.
    heatmap_layer = pdk.Layer(
      "HeatmapLayer",
      id="sfpd_heatmap",
      data=heatmap_data,
      get_position=['longitude', 'latitude'],
      get_weight='weight',
      opacity=0.7,
      radius_pixels=99,  # this limitation can introduce artifacts (see above)
      aggregation='MEAN',
    )
    view_state = pdk.ViewState(latitude=37.77613, longitude=-122.42284, zoom=12)
    display_pydeck_map([heatmap_layer], view_state)

15. Klicken Sie auf play_circle_filled Zelle ausführen.

    Die Ausgabe sieht etwa so aus: