Colab 노트북을 사용하여 지리정보 분석 데이터 시각화

Colab 노트북 만들기

이 튜토리얼에서는 지리정보 분석 데이터를 시각화하는 Colab 노트북을 빌드합니다. 튜토리얼의 GitHub 버전 상단에 있는 링크(Colab의 BigQuery 지리 공간 시각화)를 클릭하여 Colab, Colab Enterprise 또는 BigQuery Studio에서 사전 빌드된 노트북 버전을 열 수 있습니다.

1. Colab을 엽니다.

   Colab 열기

2. 노트북 열기 대화상자에서 새 노트북을 클릭합니다.

3. Untitled0.ipynb를 클릭하고 노트북 이름을 bigquery-geo.ipynb로 변경합니다.

4. 파일 > 저장을 선택합니다.

Google Cloud 및 Google 지도로 인증

이 튜토리얼에서는 BigQuery 데이터 세트를 쿼리하고 Google Maps JavaScript API를 사용합니다. 이러한 리소스를 사용하려면 Google Cloud 및 Maps API로 Colab 런타임을 인증합니다.

Google Cloud로 인증

1. 코드 셀을 삽입하려면 add 코드를 클릭합니다.

2. 프로젝트로 인증하려면 다음 코드를 입력합니다.

   # 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

   PROJECT_ID를 프로젝트 ID로 바꿉니다.

3. play_circle_filled 셀 실행을 클릭합니다.

4. 메시지가 표시되면 동의하는 경우 허용을 클릭하여 Colab에 사용자 인증 정보에 대한 액세스 권한을 부여합니다.

5. Google 계정으로 로그인 페이지에서 계정을 선택합니다.

6. 서드 파티에서 작성한 노트북 코드에 로그인 페이지에서 계속을 클릭합니다.

7. 서드 파티에서 작성한 노트북 코드에 액세스할 수 있는 항목 선택에서 모두 선택을 클릭한 다음 계속을 클릭합니다.

   승인 흐름을 완료한 후에는 Colab 노트북에 출력이 생성되지 않습니다. 셀 옆의 체크표시는 코드가 성공적으로 실행되었음을 나타냅니다.

선택사항: Google 지도로 인증

Google Maps Platform을 기본 지도용 지도 제공업체로 사용하는 경우 Google Maps Platform API 키를 제공해야 합니다. 노트북이 Colab 보안 비밀에서 키를 가져옵니다.

이 단계는 Maps API를 사용하는 경우에만 필요합니다. Google Maps Platform으로 인증하지 않으면 pydeck에서 carto 지도를 대신 사용합니다.

1. Google 지도 문서의 API 키 사용 페이지에 나온 안내에 따라 Google 지도 API 키를 가져옵니다.

2. Colab 노트북으로 전환한 다음 vpn_key 보안 비밀을 클릭합니다.

3. 새 보안 비밀 추가를 클릭합니다.

4. 이름에 GMP_API_KEY을 입력합니다.

5. 값에 이전에 생성한 Maps API 키 값을 입력합니다.

6. Secrets 패널을 닫습니다.

7. 코드 셀을 삽입하려면 add 코드를 클릭합니다.

8. 지도 API로 인증하려면 다음 코드를 입력합니다.

   # 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. 메시지가 표시되면 동의하는 경우 액세스 권한 부여를 클릭하여 노트북에 키에 대한 액세스 권한을 부여합니다.

10. play_circle_filled 셀 실행을 클릭합니다.

    승인 흐름을 완료한 후에는 Colab 노트북에 출력이 생성되지 않습니다. 셀 옆의 체크표시는 코드가 성공적으로 실행되었음을 나타냅니다.

Python 패키지 설치 및 데이터 과학 라이브러리 가져오기

이 튜토리얼에서는 colabtools (google.colab) Python 모듈 외에도 여러 Python 패키지와 데이터 과학 라이브러리를 사용합니다.

이 섹션에서는 pydeck 및 h3 패키지를 설치합니다. pydeck은 deck.gl을 기반으로 Python에서 대규모 공간 렌더링을 제공합니다. h3-py은 Python에서 Uber의 H3 육각형 계층적 지리공간 색싱 시스템을 제공합니다.

그런 다음 h3 및 pydeck 라이브러리와 다음 Python 지리공간 라이브러리를 가져옵니다.

• geopandas를 사용하여 pandas에서 사용하는 데이터 유형을 확장하여 기하학적 유형에 대한 공간 작업을 허용합니다.
• shapely를 사용하여 개별 평면 기하학 객체를 조작하고 분석합니다.
• branca를 사용하여 HTML 및 JavaScript 컬러맵을 생성합니다.
• geemap.deck pydeck 및 earthengine-api을 사용한 시각화

라이브러리를 가져온 후 Colab의 pandas DataFrame에 대화형 테이블을 사용 설정합니다.

pydeck 및 h3 패키지 설치

1. 코드 셀을 삽입하려면 add 코드를 클릭합니다.

2. pydeck 및 h3 패키지를 설치하려면 다음 코드를 입력합니다.

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

3. play_circle_filled 셀 실행을 클릭합니다.

   설치를 완료한 후에는 Colab 노트북에 출력이 생성되지 않습니다. 셀 옆의 체크표시는 코드가 성공적으로 실행되었음을 나타냅니다.

Python 라이브러리 가져오기

1. 코드 셀을 삽입하려면 add 코드를 클릭합니다.

2. Python 라이브러리를 가져오려면 다음 코드를 입력합니다.

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

3. play_circle_filled 셀 실행을 클릭합니다.

   코드를 실행해도 Colab 노트북에 출력이 생성되지 않습니다. 셀 옆의 체크표시는 코드가 성공적으로 실행되었음을 나타냅니다.

pandas DataFrames의 대화형 테이블 사용 설정

1. 코드 셀을 삽입하려면 add 코드를 클릭합니다.

2. pandas 데이터 프레임을 사용 설정하려면 다음 코드를 입력합니다.

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

3. play_circle_filled 셀 실행을 클릭합니다.

   코드를 실행해도 Colab 노트북에 출력이 생성되지 않습니다. 셀 옆의 체크표시는 코드가 성공적으로 실행되었음을 나타냅니다.

공유 루틴 만들기

이 섹션에서는 기본 지도에 레이어를 렌더링하는 공유 루틴을 만듭니다.

1. 코드 셀을 삽입하려면 add 코드를 클릭합니다.

2. 지도에 레이어를 렌더링하는 공유 루틴을 만들려면 다음 코드를 입력합니다.

   # 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. play_circle_filled 셀 실행을 클릭합니다.

   코드를 실행해도 Colab 노트북에 출력이 생성되지 않습니다. 셀 옆의 체크표시는 코드가 성공적으로 실행되었음을 나타냅니다.

분산형 차트 만들기

이 섹션에서는 bigquery-public-data.san_francisco_bikeshare.bikeshare_station_info 테이블에서 데이터를 가져와 샌프란시스코 Ford GoBike Share 공개 데이터 세트의 모든 자전거 공유 정거장의 산점도를 만듭니다. 분산형 그래프는 deck.gl 프레임워크의 레이어와 분산형 그래프 레이어를 사용하여 만들어집니다.

산점도는 개별 포인트의 하위 집합(스팟 확인이라고도 함)을 검토해야 할 때 유용합니다.

다음 예에서는 레이어와 산점도 레이어를 사용하여 개별 점을 원으로 렌더링하는 방법을 보여줍니다.

1. 코드 셀을 삽입하려면 add 코드를 클릭합니다.

2. 샌프란시스코 Ford GoBike Share 공개 데이터 세트를 쿼리하려면 다음 코드를 입력합니다. 이 코드에서는 %%bigquery 매직 함수를 사용하여 쿼리를 실행하고 결과를 DataFrame으로 반환합니다.

   # 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. play_circle_filled 셀 실행을 클릭합니다.

   출력은 다음과 비슷합니다.

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

4. 코드 셀을 삽입하려면 add 코드를 클릭합니다.

5. 열과 데이터 유형을 비롯한 DataFrame의 요약을 확인하려면 다음 코드를 입력합니다.

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

6. play_circle_filled 셀 실행을 클릭합니다.

   다음과 유사하게 출력됩니다.

   <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. 코드 셀을 삽입하려면 add 코드를 클릭합니다.

8. DataFrame의 처음 5개 행을 미리 보려면 다음 코드를 입력합니다.

   # Preview the first five rows
   gdf_sf_bikestations.head()

9. play_circle_filled 셀 실행을 클릭합니다.

   출력은 다음과 비슷합니다.

   

포인트를 렌더링하려면 자전거 공유 데이터 세트의 station_geom 열에서 경도와 위도를 x 및 y 좌표로 추출해야 합니다.

gdf_sf_bikestations는 geopandas.GeoDataFrame이므로 좌표는 station_geom 형상 열에서 직접 액세스됩니다. 열의 .x 속성을 사용하여 경도를 가져오고 .y 속성을 사용하여 위도를 가져올 수 있습니다. 그런 다음 새 경도 및 위도 열에 저장할 수 있습니다.

1. 코드 셀을 삽입하려면 add 코드를 클릭합니다.

2. station_geom 열에서 경도 및 위도 값을 추출하려면 다음 코드를 입력합니다.

   # 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. play_circle_filled 셀 실행을 클릭합니다.

   코드를 실행해도 Colab 노트북에 출력이 생성되지 않습니다. 셀 옆의 체크표시는 코드가 성공적으로 실행되었음을 나타냅니다.

4. 코드 셀을 삽입하려면 add 코드를 클릭합니다.

5. 이전에 추출한 경도 및 위도 값을 기반으로 자전거 공유 정거장의 산점도를 렌더링하려면 다음 코드를 입력합니다.

   # 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. play_circle_filled 셀 실행을 클릭합니다.

   출력은 다음과 비슷합니다.

   

다각형 시각화

지리 공간 분석을 사용하면 GEOGRAPHY 데이터 유형과 GoogleSQL 지리 함수를 사용하여 BigQuery에서 지리 공간 데이터를 분석하고 시각화할 수 있습니다.

지리정보 분석의 GEOGRAPHY 데이터 유형은 점의 집합으로 표시되는 점, 유도선, 다각형의 모음 또는 지구 표면의 하위 집합입니다. GEOGRAPHY 유형은 다음과 같은 객체를 포함할 수 있습니다.

• 포인트
• 선
• 다각형
• 여러 다각형

지원되는 모든 객체 목록은 GEOGRAPHY 유형 문서를 참고하세요.

예상되는 모양을 모르는 상태에서 지리 공간 데이터를 제공받은 경우 데이터를 시각화하여 모양을 확인할 수 있습니다. 지리 데이터를 GeoJSON 형식으로 변환하여 도형을 시각화할 수 있습니다. 그런 다음 deck.gl 프레임워크의 GeoJSON 레이어를 사용하여 GeoJSON 데이터를 시각화할 수 있습니다.

이 섹션에서는 San Francisco Neighborhoods 데이터 세트의 지리 데이터를 쿼리한 다음 다각형을 시각화합니다.

1. 코드 셀을 삽입하려면 add 코드를 클릭합니다.

2. San Francisco Neighborhoods 데이터 세트의 bigquery-public-data.san_francisco_neighborhoods.boundaries 테이블에서 지리 데이터를 쿼리하려면 다음 코드를 입력합니다. 이 코드에서는 %%bigquery 매직 함수를 사용하여 쿼리를 실행하고 결과를 DataFrame으로 반환합니다.

   # 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. play_circle_filled 셀 실행을 클릭합니다.

   출력은 다음과 비슷합니다.

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

4. 코드 셀을 삽입하려면 add 코드를 클릭합니다.

5. DataFrame의 요약을 가져오려면 다음 코드를 입력합니다.

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

6. play_circle_filled 셀 실행을 클릭합니다.

   다음과 같은 결과가 표시됩니다.

   <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. DataFrame의 첫 번째 행을 미리 보려면 다음 코드를 입력합니다.

   # Preview the first row
   gdf_sanfrancisco_neighborhoods.head(1)

8. play_circle_filled 셀 실행을 클릭합니다.

   출력은 다음과 비슷합니다.

   

   결과에서 데이터가 다각형임을 확인합니다.

9. 코드 셀을 삽입하려면 add 코드를 클릭합니다.

10. 다각형을 시각화하려면 다음 코드를 입력합니다. pydeck는 geometry 열의 각 shapely 객체 인스턴스를 GeoJSON 형식으로 변환하는 데 사용됩니다.

    # 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. play_circle_filled 셀 실행을 클릭합니다.

    출력은 다음과 비슷합니다.

    

등치 지역도 만들기

GeoJSON 형식으로 변환하기 어려운 다각형으로 데이터를 탐색하는 경우 deck.gl 프레임워크의 다각형 레이어를 대신 사용할 수 있습니다. 다각형 레이어는 점 배열과 같은 특정 유형의 입력 데이터를 처리할 수 있습니다.

이 섹션에서는 다각형 레이어를 사용하여 점 배열을 렌더링하고 결과를 사용하여 등치 지역도를 렌더링합니다. 단계 구분도는 샌프란시스코 지역 데이터 세트의 데이터를 샌프란시스코 Ford GoBike Share 데이터 세트와 결합하여 지역별 공유 자전거 대여소의 밀도를 보여줍니다.

1. 코드 셀을 삽입하려면 add 코드를 클릭합니다.

2. 동별 방송국 수를 집계하고 계산하고 포인트 배열이 포함된 polygon 열을 만들려면 다음 코드를 입력합니다.

   # 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. play_circle_filled 셀 실행을 클릭합니다.

   코드를 실행해도 Colab 노트북에 출력이 생성되지 않습니다. 셀 옆의 체크표시는 코드가 성공적으로 실행되었음을 나타냅니다.

4. 코드 셀을 삽입하려면 add 코드를 클릭합니다.

5. 각 다각형에 fill_color 열을 추가하려면 다음 코드를 입력합니다.

   # 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. play_circle_filled 셀 실행을 클릭합니다.

   코드를 실행해도 Colab 노트북에 출력이 생성되지 않습니다. 셀 옆의 체크표시는 코드가 성공적으로 실행되었음을 나타냅니다.

7. 코드 셀을 삽입하려면 add 코드를 클릭합니다.

8. 다각형 레이어를 렌더링하려면 다음 코드를 입력합니다.

   # 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. play_circle_filled 셀 실행을 클릭합니다.

   출력은 다음과 비슷합니다.

   

히트맵 만들기

의미 있는 경계를 알고 있는 경우 단계 구분도는 유용합니다. 의미 있는 경계가 알려지지 않은 데이터가 있는 경우 히트맵 레이어를 사용하여 연속 밀도를 렌더링할 수 있습니다.

다음 예에서는 샌프란시스코 경찰서 (SFPD) 보고서 데이터 세트의 bigquery-public-data.san_francisco_sfpd_incidents.sfpd_incidents 테이블에서 데이터를 쿼리합니다. 이 데이터는 2015년의 사고 분포를 시각화하는 데 사용됩니다.

히트맵의 경우 렌더링하기 전에 데이터를 양자화하고 집계하는 것이 좋습니다. 이 예에서는 Carto H3 공간 색인을 사용하여 데이터를 양자화하고 집계합니다. 히트맵은 deck.gl 프레임워크의 히트맵 레이어를 사용하여 생성됩니다.

이 예시에서는 h3 Python 라이브러리를 사용하여 사고 지점을 육각형으로 집계하여 양자화합니다. h3.latlng_to_cell 함수는 인시던트의 위치 (위도 및 경도)를 H3 셀 색인에 매핑하는 데 사용됩니다. H3 해상도 9는 히트맵에 충분한 집계된 육각형을 제공합니다. h3.cell_to_latlng 함수는 각 육각형의 중심을 결정하는 데 사용됩니다.

1. 코드 셀을 삽입하려면 add 코드를 클릭합니다.

2. 샌프란시스코 경찰서 (SFPD) 신고 데이터 세트의 데이터를 쿼리하려면 다음 코드를 입력합니다. 이 코드에서는 %%bigquery 매직 함수를 사용하여 쿼리를 실행하고 결과를 DataFrame으로 반환합니다.

   # 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. play_circle_filled 셀 실행을 클릭합니다.

   출력은 다음과 비슷합니다.

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

4. 코드 셀을 삽입하려면 add 코드를 클릭합니다.

5. 각 사건의 위도와 경도에 대한 셀을 계산하려면 각 셀의 사건을 집계하고 geopandas DataFrame을 구성하고 히트맵 레이어의 각 육각형 중심을 추가하세요. 다음 코드를 입력합니다.

   # 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. play_circle_filled 셀 실행을 클릭합니다.

   출력은 다음과 비슷합니다.

   <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. 코드 셀을 삽입하려면 add 코드를 클릭합니다.

8. DataFrame의 처음 5개 행을 미리 보려면 다음 코드를 입력합니다.

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

9. play_circle_filled 셀 실행을 클릭합니다.

   출력은 다음과 비슷합니다.

   

10. 코드 셀을 삽입하려면 add 코드를 클릭합니다.

11. HeatmapLayer에서 사용할 수 있는 JSON 형식으로 데이터를 변환하려면 다음 코드를 입력합니다.

    # 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. play_circle_filled 셀 실행을 클릭합니다.

    코드를 실행해도 Colab 노트북에 출력이 생성되지 않습니다. 셀 옆의 체크표시는 코드가 성공적으로 실행되었음을 나타냅니다.

13. 코드 셀을 삽입하려면 add 코드를 클릭합니다.

14. 히트맵을 렌더링하려면 다음 코드를 입력합니다.

    # 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. play_circle_filled 셀 실행을 클릭합니다.

    출력은 다음과 비슷합니다.