01_初识GeoParquet数据集

概述

在这里插入图片描述

GeoParquet是一种用于存储地理空间数据的文件格式，基于Apache Parquet。它支持高效地存储和查询大型地理空间数据集，具有良好的压缩性能和**列式**存储结构。GeoParquet还与许多地理信息系统（GIS）和大数据处理工具兼容，使得地理数据处理更加灵活和高效。

基础概念：GeoParquet基于Apache Parquet，是一种列式存储格式，适用于大规模数据集。它使用了高效的压缩算法，减少了存储需求并提高了读取速度。
地理空间支持：GeoParquet扩展了Parquet，以支持地理空间数据类型，如点、线、面等。它符合OGC（开放地理空间联盟）的标准，使得GIS应用可以直接处理这些数据。
数据模型：在GeoParquet中，数据通常以“属性-几何”的形式存储，属性包含特征的信息，而几何则描述空间位置。这样可以方便地进行复杂的空间查询和分析。
优势：
- 高效存储：由于采用列式存储，读取特定列的数据时速度更快，尤其在处理大规模数据时。
- 灵活性：支持多种数据类型和复杂结构，适用于多样化的GIS应用场景。
- 兼容性：与多种大数据框架（如Apache Spark、Flink）和GIS工具（如QGIS、PostGIS）兼容，方便集成和使用。
应用场景：GeoParquet适用于大数据分析、机器学习、实时数据处理等场景，特别是在需要处理大量地理空间数据时。
学习和使用：可以通过实际项目来深入了解GeoParquet，比如使用Apache Spark进行数据处理，或者将其与GIS工具结合，进行可视化和分析。

与常见矢量存储格式的异同

GeoParquet与常见的SHP（Shapefile）和GeoJSON文件在几个关键方面有所不同：

存储格式：
- SHP：基于二进制格式，通常由多个文件（.shp、.shx、.dbf等）组成，适合存储简单的几何和属性数据，但不支持复杂数据结构。
- GeoJSON：基于文本格式（JSON），易于阅读和编辑，适合小型数据集，但在存储和处理大型数据时效率较低。
- GeoParquet：基于列式存储格式，支持高效的压缩和查询，适合大规模数据集。
数据类型支持：
- SHP和GeoJSON：支持常见的几何类型，但在复杂数据结构（如多几何体）支持上有限。
- GeoParquet：支持更丰富的地理空间数据类型，符合OGC标准，可以处理复杂的几何结构。
性能：
- SHP：读取速度较快，但文件大小较大，且支持的数据量有限。
- GeoJSON：便于交换和使用，但在处理大数据集时效率较低。
- GeoParquet：由于其列式存储特性，读取和查询大型数据集时性能优越，适合大数据分析。
兼容性与应用：
- SHP和GeoJSON：广泛支持于各种GIS软件和工具，易于使用和共享。
- GeoParquet：与大数据处理框架（如Apache Spark）兼容，适合进行大规模数据分析。

有关生态

目前GeoParquet生态已有很多工具与库供外部使用，具体可参考GeoParquet官网首页下方链接。

Tools

Browser-based converter（基于浏览器的转换器）：由GPQ库驱动，可在浏览器中实现GeoJSON与GeoParquet之间的互相转换。
GeoPandas** (Python) **：扩展了pandas的数据类型，支持几何类型的空间操作，并支持GeoParquet文件的reading与writing。
QGIS：Windows和Linux版本原生支持GeoParquet。Mac用户可以通过conda安装支持（在激活的conda环境中运行以下命令：

conda config --add channels conda-forge  
conda install qgis libgdal-arrow-parquet  
qgis

然后直接在终端中输入qgis运行软件）。

Scribble Maps：一个功能全面的Web应用，支持GeoParquet的导入和导出。
BigQuery Converter：提供Python脚本，用于与Google BigQuery交互，读取和写入GeoParquet文件。
CARTO：一个地理空间平台，支持GeoParquet的supports import。
gpq：提供一个命令行界面，用于验证和描述任何GeoParquet文件，还可以将GeoParquet转换为GeoJSON，反之亦然。
stac-geoparquet：将STAC目录（SpatioTemporal Asset Catalogs）转换为GeoParquet。
Apache Sedona：一个用于处理大规模空间数据的集群计算系统，可扩展Apache Spark和Apache Flink。它支持通过Scala、Java、Python或Rload和saveGeoParquet。
Esri’s ArcGIS GeoAnalytics Engine：通过扩展Apache Spark，提供空间分析功能和工具。它的Python库或Spark插件支持加载或保存GeoParquet文件。详见其GeoParquet page。
FME: by Safe Software：一个无需编写代码的平台，从version 23.1开始支持GeoParquet文件的读写。
SeerAI’s** **Geodesic Platform：一个云原生的、全球规模的时空数据网格和数据融合平台。其Boson服务网格原生支持GeoParquet，并能通过API以兼容格式向其他分析系统和地理空间软件暴露大规模GeoParquet数据集。所有表格和要素数据输出均以Parquet/GeoParquet格式保存。
Wherobots：一个完全托管的云空间数据湖仓（data lakehouse），支持任何规模的地理空间数据管理和分析。所有数据可保存为GeoParquet格式，并使用其Havasu Spatial Table Format进行目录管理。
pygeoapi：OGC API标准套件的Python服务器实现，支持一个Parquet数据提供程序，将GeoParquet文件发布为OGC API - Features集合。

Libraries

geoarrow ®
sfarrow ®
GDAL/OGR (C++, bindings in several languages)
GeoParquet.jl (Julia)
gpq (Go and WASM)
Fiona (Python - as of version 1.9.4. Note the GeoParquet driver will only be available if your system’s GDAL library links libarrow; fiona wheels on PyPI do not include libarrow as it is rather large.)
.NET 6 library (.NET)
C++ example code - see this discussion topic for more info.

使用示例

使用GeoPandas完成GeoParquet文件的生成、读取、编写；使用QGIS完成GeoParquet文件的加载渲染。

Conda虚拟环境创建（可选）

conda create -n geoparquet_env python=3.9
conda activate geoparquet_env

Python库安装

conda install -c conda-forge pyarrow geopandas

编写示例代码

import geopandas as gpd
import pandas as pd
from shapely.geometry import Point
import numpy as np

# GeoParquet-创建数据
# 创建示例数据
data = {
    'sensor_id': [
        'sensor_001', 'sensor_002', 'sensor_003', 'sensor_004', 'sensor_005',
        'sensor_006', 'sensor_007', 'sensor_008', 'sensor_009', 'sensor_010'
    ],
    'traffic_flow': [120, 150, 90, 200, 180, 120, 110, 140, 160, 170],
    'timestamp': [
        '2024-10-22T08:30:00Z', '2024-10-22T08:30:00Z', '2024-10-22T08:30:00Z',
        '2024-10-22T08:45:00Z', '2024-10-22T08:45:00Z', '2024-10-22T09:00:00Z',
        '2024-10-22T09:00:00Z', '2024-10-22T09:15:00Z', '2024-10-22T09:15:00Z',
        '2024-10-22T09:30:00Z'
    ],
    'geometry': [
        Point(116.397128, 39.916527), Point(116.405285, 39.925818),
        Point(116.403122, 39.917989), Point(116.410000, 39.918000),
        Point(116.420000, 39.920000), Point(116.430000, 39.921000),
        Point(116.440000, 39.922000), Point(116.450000, 39.923000),
        Point(116.460000, 39.924000), Point(116.470000, 39.925000)
    ]
}

# 创建GeoDataFrame
gdf = gpd.GeoDataFrame(data, crs="EPSG:4326")

# 保存为GeoParquet文件
gdf.to_parquet('traffic_data.parquet', engine='pyarrow')


# GeoParquet-读取数据
# 读取GeoParquet文件
gdf = gpd.read_parquet('traffic_data.parquet')
# 过滤出8号传感器的车流量数据
sensor_8_data = gdf[gdf['sensor_id'] == 'sensor_008']
print(sensor_8_data[['timestamp', 'traffic_flow']])


# GeoParquet-追加数据并保存
# 读取现有的GeoParquet文件
gdf = gpd.read_parquet('traffic_data.parquet')
# 创建要追加的新数据
new_data = {
    'sensor_id': ['sensor_008', 'sensor_008'],  # 传感器ID
    'traffic_flow': [150, 160],                  # 新车流量数据
    'timestamp': ['2024-10-22T08:11:00Z', '2024-10-22T08:12:00Z'],  # 新时间戳
    'geometry': [Point(116.450000, 39.923000), Point(116.450000, 39.923000)]  # 新位置
}

# 将新数据转换为DataFrame
new_df = gpd.GeoDataFrame(new_data, crs="EPSG:4326")
# 将新数据追加到原有DataFrame
gdf = pd.concat([gdf, new_df], ignore_index=True)
# 保存更新后的GeoDataFrame为GeoParquet文件
gdf.to_parquet('traffic_data_append.parquet', engine='pyarrow')


# GeoParquet-读取数据
# 读取GeoParquet文件
gdf = gpd.read_parquet('traffic_data_append.parquet')
# 过滤出8号传感器的车流量数据
sensor_8_data = gdf[gdf['sensor_id'] == 'sensor_008']
print(sensor_8_data[['timestamp', 'traffic_flow']])