| 编辑推荐: |
本文主要介绍了geojsonio包导入、使用rgdal包、使用sf包导入、geojson、topojson等相关内容。
本文来自微信公众号 - 数据小魔方，由火龙果软件Anna编辑、推荐。
|
|
以前在处理gis数据的时候，都是直接导入本地shp素材、本地geojson素材，本地topojson素材，自从接触postgis数据之后，深感使用规范的存储系统来统一管理gis数据的好处，特别是数据量大了之后，优势便更加明显，你可以选择将很多需要做空间计算的步骤转移到Postgis数据库内进行计算，要知道Postgis提供的空间计算能力与R和Python这种应用导向的工具相比，优势要大得多。
在批量导入素材之前，我们可以先看下R语言目前提供的各种导入接口在I/O性能上相比有何异同。
#install.packages("geojsonio")
#devtools:: install_github("ropensci/geojsonio")
library("geojsonio")
library("rgdal")
library("sf")
library("maptools") |
使用maptools包中的readShapePoly函数进行导入（已快被遗弃了，推荐使用sf和rgdal包）
system.time(china_map
<- readShapePoly("D:/R/rstudy/CHN_adm/bou2_4p.shp"))
用户 系统 流逝
0.23 0.00 0.23
Warning message:
use rgdal::readOGR or sf::st_read
china_map@data
ggplot2::fortify(china_map) |
geojsonio包导入：
system.time(geojson1
<- geojson_read(
"D:/R/rstudy/CHN_adm/bou2_4p.shp",
method = "local",
parse = TRUE,
what = "sp",
encoding="utf-8",
use_iconv=TRUE
))
用户 系统 流逝
0.69 0.03 0.71
|
使用rgdal包：
system.time(map_data
<- readOGR(
"D:/R/rstudy/CHN_adm/bou2_4p.shp",
encoding="utf-8",
use_iconv=TRUE
))
OGR data source with driver: ESRI Shapefile
Source: "D:\R\rstudy\CHN_adm\bou2_4p.shp",
layer: "bou2_4p"with 925 features
It has 7 fields
Integer64 fields read as strings: BOU2_4M_ BOU2_4M_ID
用户 系统 流逝
0.66 0.09 0.75
|
使用sf包导入：
system.time(nepal_shp
<- read_sf(
"D:/R/rstudy/CHN_adm/bou2_4p.shp",
options = "ENCODING=gbk"
))
用户 系统 流逝
0.05 0.00 0.05
|
可以看到在同一个shp文件单项导入的情况下，纯粹从时间上来看：
sf > maptools > rgdal > geojsonio
这里值得一提的是，geojsonio包是封装的rgdal服务，性能上自然略逊rgdal一筹，以上四个包中，除sf包是基于simple
features标准的模型之外，其他基本都是基于sp模型的。sf模型的性能由此可见一斑。
当然，以上sf包、rgdal包和sf包都是兼容性很好地包，可以支持非常广泛的数据源，以下分别是在json标准下的两种素材上进行测试。
geojson
system.time(geojson
<- geojson_read(
"D:/R/mapdata/State/china.geojson",
method = "local",
parse = TRUE,
encoding="utf-8",
use_iconv=TRUE,
what = "sp"
))
用户 系统 流逝
0.80 0.02 0.81
system.time(map_data <- readOGR(
"D:/R/mapdata/State/china.geojson",
encoding="utf-8",
use_iconv=TRUE,
stringsAsFactors = FALSE
))
OGR data source with driver: GeoJSON
Source: "D:\R\mapdata\State\china.geojson",
layer: "china"with 34 features
It has 2 fields
用户 系统 流逝
0.77 0.00 0.76
system.time(nepal_shp <- read_sf(
"D:/R/mapdata/State/china.geojson"
))
用户 系统 流逝
0.03 0.00 0.03 |
topojson
system.time(map_data
<- readOGR(
"D:/R/mapdata/china.topojson",
use_iconv=TRUE,
encoding = "utf-8",
stringsAsFactors = FALSE
))
OGR data source with driver: GeoJSON
Source: "D:\R\mapdata\china.topojson",
layer: " china"with 34 features
It has 2 fields
用户 系统 流逝
0.52 0.01 0.59
system.time(geojson <- topojson_read(
"D:/R/mapdata/china.topojson",
encoding="utf-8",
use_iconv=TRUE
))
OGR data source with driver: GeoJSON
Source: "D:\R\mapdata\china.topojson",
layer: "china"with 34 features
It has 2 fields
用户 系统 流逝
0.59 0.00 0.59
system.time(nepal_shp <- read_sf(
"D:/R/mapdata/china.topojson"
))
用户 系统 流逝
0.02 0.00 0.01 |
是不是看完这个性能大比拼之后大吃一惊，为sf包的超强IO能力所折服，sf包是一个非常强大的包，实现了基于simple
features的所有特性，如果你了解一点儿Postgis的话，你会发现作者把大部分空间运算的函数名称设计的和Postgis中的函数一模一样，这就意味着你无论是只了解过sf包函数，或者只了解过Postgis函数，都可以低成本的迁移到两一个平台，因为同名函数往往功能一致。
如果你要想将sf包导入的数据模型转换为普通的数据框模式，仅仅只需使用其提供的as(sf,’Spatial’)函数一次转化即可，当然sf有自己的ggplot2通道函数geom_sf()，这意味着你不必多此一举。（当然对于sf不甚熟悉，习惯于使用geom_polygon来实现地理信息可视化的小伙伴儿，可以采取这种办法，但是仍然要推荐大家学习sf包，因为它代表着未来）。
R语言-gis数据批量入库：
#定义读写函数：
task <- function(filename,conn){
#此处为写入本地gis数据（可以是任意格式，可以使用任意一种导入工具）
map_data <- readOGR(filename, use_iconv=TRUE,encoding
= "utf-8",stringsAsFactors = FALSE)
file_name <- sub('.json','',basename(filename))
#此处是写入数据库的函数，可以使用sf包、rgdal包以及RPostgreSQL包提供的写出函数。
writeOGR(obj = map_data ,dsn = conn,driver =
"PostgreSQL",layer=file_name, encoding="gbk",overwrite_layer
= TRUE)
}
#此处使用l_ply函数创建批量执行任务
Project_io <- function(path){
setwd(path)
input_list = list.files(path)
conn <- "PG:dbname='mytest' host='localhost'
port='5432' user='postgres' password='708965'"
l_ply(input_list,task,conn)
}
#启动任务
Project_io("D:/R/mapdata/Province")
|
Python-gis数据批量入库：
import geopandas
as gpd
import pandas as pd
from sqlalchemy import create_engine
from geoalchemy2 import Geometry,WKTElement
import numpy as np
import os
import re
import json
#数据写入函数：
def write_gis(path):
map_data = gpd.GeoDataFrame.from_file(path)
map_data['geometry'] = map_data['geometry'].apply(lambda
x: WKTElement(x.wkt,4326))
map_data.drop(['center','parent'], axis = 1,
inplace=True)
map_data.to_sql(
name = re.split('\\.',path)[0],
con = engine,
if_exists= 'replace',
dtype = {'geometry': Geometry(geometry_type
='POLYGON', srid = 4326)}
)
return None
#创建批量任务
def to_do(file_path,username,password,dbname):
os.chdir(file_path)
link = "postgresql://{0}: {1}@localhost:5432/{2}".format(username,
password,dbname)
engine = create_engine(link,encoding = 'utf-8')
file_list = os.listdir()
map(lambda x: write_gis(x),file_list)
return None
#执行任务计划
if __name__ == '__main__':
file_path = 'D:/R/mapdata/Province'
username = 'postgres'
password = *****
dbname = 'mytest'
to_do(file_path,username,password,dbname)
print('DODE') |
|
