GeoPandas 支持读取和写入多种地理空间数据格式，如 ESRI Shapefile、GeoJSON、GeoPackage 等，以及与其他 GIS 软件兼容的格式。

1. 读取数据

1.1. 读取ESRI Shapefile数据

ESRI Shapefile（简称 Shapefile 或 .shp 文件）是一种常见的空间矢量数据存储格式，用于存储地理空间数据。Shapefile 文件通常由多个文件组成，包括 .shp、.shx、.dbf 等格式，它们一起描述了矢量空间数据的几何形状、属性信息和空间索引。

以下是 Shapefile 文件的主要组成部分：

1. .shp 文件：

   • .shp 文件存储矢量几何形状信息，如点、线、多边形的坐标和形状数据。

2. .shx 文件：

   • .shx 文件包含 Shapefile 的空间索引，用于加快在 .shp 文件中的记录检索和访问。

3. .dbf 文件：

   • .dbf 文件是一个 dBASE 格式的表格文件，存储了与空间几何形状相关联的属性数据。每个几何对象都可以有与之相关联的属性信息。

4. 其他附加文件：

   • Shapefile 文件可能还包括其他附加文件，如 .prj 文件（存储投影信息）、.sbn 和 .sbx 文件（用于空间索引加速）等。

Shapefile 是一种广泛使用的空间矢量数据格式，常用于存储地理信息系统（GIS）中的地理空间数据，例如点、线、多边形等空间要素数据。它被许多 GIS 软件（如 ArcGIS、QGIS 等）所支持和使用。

虽然 Shapefile 是一个通用的标准格式，但它也有一些限制，比如不支持存储拓扑关系和只能存储一个几何类型等。随着时间的推移，一些现代的地理空间数据格式（如 GeoJSON、Geopackage 等）正在逐渐取代 Shapefile，以满足更复杂的地理空间数据需求。

1.1.1 代码实现

import geopandas as gpd
import matplotlib.pyplot as plt

# 读取 Shapefile 文件
gdf = gpd.read_file('D:\\BaiduNetdiskDownload\\湖北省数据\\矢量数据\\第二种路网\\湖北省_road.shp')

# 根据字段值 'layer' 进行筛选
# 假设 'layer' 的值为 0 和 1 时分别使用红色和蓝色线渲染，线宽为2
gdf_0 = gdf[gdf['layer'] == 0]
gdf_1 = gdf[gdf['layer'] == 1]

# 创建绘图对象并设置输出图片大小
fig, ax = plt.subplots()

# 绘制不同图层并设置不同颜色和线宽
gdf_0.plot(ax=ax, color='red', linewidth=2)
gdf_1.plot(ax=ax, color='blue', linewidth=2)

# 设置图片大小为宽10英寸、高8英寸
plt.figure(figsize=(10, 8))  

# 显示地图
plt.show()

# 保存地图图片到指定位置（例如保存为 PNG 格式的图片）
plt.savefig(r'C:\Users\HTHT\Desktop\1\map_image.png', bbox_inches='tight') 

1.2. 读取OGC标准数据：WKT、GeoJson

在 OGC（Open Geospatial Consortium）标准中，WKT（Well-Known Text）和 GeoJSON 是两种常用的地理空间数据格式，用于描述和表示地理空间几何对象。

1. WKT（Well-Known Text）：

   • 定义：WKT 是一种用于表示地理空间几何对象的文本表示形式。它是一种简单、人类可读的格式，用于描述点、线、多边形等地理空间数据的几何形状。
   • 特点：WKT 使用文本字符串来描述几何对象，通过一系列坐标点或者其他几何构造描述空间几何形状。例如，一个点可以表示为 POINT(30 10)，线可以表示为 LINESTRING(30 10, 10 30, 40 40)，多边形可以表示为 POLYGON((35 10, 45 45, 15 40, 10 20, 35 10))。
   • 用途：WKT 通常用于在各种地理信息系统和数据库之间进行地理空间数据的交换和传输。

2. GeoJSON：

   • 定义：GeoJSON 是一种基于 JSON（JavaScript Object Notation）的地理空间数据格式。它提供了一种简洁的方式来表示地理空间数据，包括点、线、多边形、集合等地理特征。
   • 特点：GeoJSON 使用 JSON 格式来描述地理空间对象，可以包含几何形状（坐标点集合）和其他属性信息。例如，一个点可以表示为 {"type": "Point", "coordinates": [30, 10]}，线可以表示为 {"type": "LineString", "coordinates": [[30, 10], [10, 30], [40, 40]]}，多边形可以表示为 {"type": "Polygon", "coordinates": [[[35, 10], [45, 45], [15, 40], [10, 20], [35, 10]]]}。
   • 用途：GeoJSON 是一种常见的用于在 Web 环境中交换和呈现地理空间数据的格式，被广泛用于 Web 地图服务和地理信息可视化中。

1.2.1. 读取WKT并绘制

import geopandas as gpd
import matplotlib.pyplot as plt
from shapely import wkt

# Example WKT strings
wkt_strings = [
    'POINT (0 0)',
    'LINESTRING (1 1, 2 2, 2 3)',
    'POLYGON ((0 0, 1 0, 1 1, 0 1, 0 0))'
]

# Construct a GeometryArray using from_wkt
geometry_array = gpd.GeoSeries.from_wkt(wkt_strings)

# Display the GeometryArray
print(geometry_array)

# 创建一个空的 GeoDataFrame，将 GeometryArray 赋值给 'geometry' 列
data = gpd.GeoDataFrame(geometry=geometry_array)

# 绘制地理空间数据
data.plot()

# 显示图形
plt.show()

1.2.2. 读取GeoJson数据并绘制

import geopandas as gpd
import matplotlib.pyplot as plt

# 示例的 GeoJSON 字符串
geojson_string = '{"type":"Polygon","crs":{"type":"name","properties":{"name":"EPSG:4490"}},"coordinates":[[[115.816729382,29.917458261],[115.816729382,29.92010116],[115.817519894,29.92010116],[115.817519894,29.917458261],[115.816729382,29.917458261]]]}'

# 直接从字符串读取 GeoDataFrame
data = gpd.read_file(geojson_string, driver='GeoJSON')

# 提取几何列为 GeoSeries
geometry_series = data.geometry

# 显示数据
print(geometry_series)


# 创建一个空的 GeoDataFrame，将 GeometryArray 赋值给 'geometry' 列
data = gpd.GeoDataFrame(geometry=geometry_series)

# 绘制地理空间数据
data.plot()

# 显示图形
plt.show()

1.3. 读取ArcGIS GDB数据

ArcGIS Geodatabase（GDB）是 Esri 公司开发的一种专门用于管理和存储地理空间数据的数据库格式。它是一种包含多种不同类型数据集的文件集合，允许用户在同一个数据库中存储多种不同的地理空间数据和相关信息。

ArcGIS Geodatabase 主要有两种类型：

1. 文件型地理数据库 (File Geodatabase)：

   • 文件型地理数据库是以文件夹的形式存储在磁盘上的地理数据库。它是 Esri 开发的一种用于存储、管理和共享地理空间数据的文件系统。文件型地理数据库通常包括 .gdb 扩展名的文件夹，里面包含了多个文件，用于存储不同的数据集和图层信息。这种格式的数据库对于小型到中型项目非常适用，并且具有优秀的性能和可扩展性。

2. 企业型地理数据库 (Enterprise Geodatabase)：

   • 企业型地理数据库是通过 ArcSDE（Spatial Database Engine）技术与关系数据库（如 PostgreSQL、Oracle、SQL Server 等）结合而成的地理数据库。它允许多用户同时访问、编辑和管理大规模的地理空间数据，并提供了更高级别的安全性、可扩展性和管理功能。企业型地理数据库通常用于大型组织或需要处理大量地理空间数据的项目中。

ArcGIS Geodatabase 提供了对空间数据的高级管理和处理功能，例如支持拓扑关系、数据集合的完整性检查、版本控制、地理空间数据的数据字典管理等。这些功能使得 ArcGIS Geodatabase 成为了许多地理信息系统（GIS）和地理空间数据管理应用中的重要组成部分。

1.3.1 代码实现

import geopandas as gpd
import fiona

# GDB 文件路径
gdb_path = r'C:\Users\HTHT\Desktop\1\4\1.gdb'

# 列出 GDB 中的图层
layers = fiona.listlayers(gdb_path)
print("Available layers:", layers)

# 选择要加载的图层
selected_layer = layers[0]  # 选择第一个图层

# 读取选定的图层数据到 GeoPandas DataFrame
data = gpd.read_file(gdb_path, layer=selected_layer)

# 显示数据的前几行
print(data.head())

# 绘制地理空间数据
data.plot()

# 显示图形
plt.show()

1.4. 读取PostGIS数据

开始读取之前，需要安装

pip install SQLAlchemy
pip install psycopg2

1.4.1. SQLAlchemy

SQLAlchemy 是一个流行的 Python SQL 工具和 ORM（对象关系映射）库，它提供了对多种关系数据库的抽象和访问。它允许开发者使用 Python 语言来管理数据库，执行 SQL 查询，并与数据库进行交互。

以下是 SQLAlchemy 的一些主要特点和用途：

1. ORM（对象关系映射）支持：SQLAlchemy 提供了 ORM 功能，允许开发者使用 Python 类来表示数据库表和关系。它将数据库中的表映射为 Python 对象，使得可以直接通过对象操作数据库，而无需编写复杂的 SQL 查询。

2. 数据库适配器：SQLAlchemy 支持多种主流数据库（如 PostgreSQL、MySQL、SQLite、Oracle 等）的连接和交互，它提供了适配器（dialects）来与不同的数据库引擎交互，使得开发者可以在不同的数据库系统中轻松切换。

3. 灵活性：SQLAlchemy 提供了高度的灵活性，允许开发者根据需要以不同的抽象级别操作数据库。它支持 SQL 表达式、原始 SQL 查询、ORM 查询等多种方式来处理数据。

4. 数据库连接池和事务管理：SQLAlchemy 提供了连接池管理和事务管理，有助于更有效地管理数据库连接，减少资源消耗，提高性能。

5. 完善的文档和社区支持：SQLAlchemy 拥有丰富的文档和活跃的社区，提供了大量示例、教程和文档，有助于开发者更好地使用和理解它的功能。

总的来说，SQLAlchemy 是一个功能强大、灵活且易于使用的 Python SQL 工具，用于简化和管理与数据库的交互，并提供了多种方法来处理和操作数据库。

1.4.2. psycopg2

psycopg2 是一个流行的 PostgreSQL 数据库的 Python 适配器，用于在 Python 中连接和操作 PostgreSQL 数据库。

主要特点包括：

1. PostgreSQL 适配器：psycopg2 允许 Python 开发者通过 Python 与 PostgreSQL 数据库进行交互。它是一个高度优化的库，提供了对 PostgreSQL 数据库的完整访问和控制。

2. 性能和稳定性：由于 psycopg2 是针对 PostgreSQL 数据库的 C 语言扩展模块，因此具有出色的性能和稳定性。它可以实现高效的数据库连接、查询和数据操作。

3. 多功能性：psycopg2 支持大多数 PostgreSQL 数据库的功能，包括事务管理、预处理语句、类型适配等。它允许执行 SQL 查询、事务控制以及处理查询结果。

4. 大量文档和社区支持：psycopg2 有丰富的文档和活跃的开发者社区。它提供了大量的示例和文档，使开发者能够更好地使用和理解库的功能。

在 Python 中连接 PostgreSQL 数据库时，psycopg2 是一个非常受欢迎且广泛使用的选择，用于处理数据库连接、执行查询以及进行其他与数据库相关的操作。

1.4.3. 代码实现

import geopandas as gpd
import matplotlib.pyplot as plt
from sqlalchemy import create_engine,text

# 设置数据库连接信息
username = 'user_xxx'
password = 'pwd_xxx'
host = '127.0.0.1'
database = 'dbname_xxx'
port='5432'
schema='schema_xxx'

engine=create_engine(f'postgresql://{username}:{password}@{host}:{port}/{database}?options=-csearch_path={schema}')

# 查询并读取数据到 GeoPandas DataFrame
table_name = 'tbname_xxx' 
query = text(f"SELECT * FROM {table_name}")
data = gpd.read_postgis(query, con=engine.connect(),geom_col='shape')

# 显示数据的前几行
print(data.head())

# 绘制地理空间数据
data.plot()

# 显示图形
plt.show()