plotly.expressパッケージのscatter_mapboxで地図に散布図を描いてみる

#plotly

#Python

nayu.t.s

2021.08.10

この記事は公開されてから1年以上経過しています。情報が古い可能性がありますので、ご注意ください。

データアナリティクス事業本部の鈴木です。

今回は、plotly.expressパッケージのscatter_mapbox関数を使って地図上でデータを可視化する方法をご紹介します。

plotly.express package documentation

scatter_mapbox関数は、緯度・経度を含むデータフレームを渡すことで、インタラクティブな地図上に散布図を描写できます。

「地図上に散布図を描写できる」と書いてしまうと、なにに使えるんだろう？と感じてしまうかもしれませんが、データを可視化する様々な場面で活躍します。

特に今回は以下の２つのケースを紹介します。

値の大きさに意味のあるデータの可視化
時系列データの可視化

検証環境

Jupyter Docker Stacksのdatascience-notebookイメージにPlotlyをインストールして検証しました。バージョンなどは以下になります。

イメージ：jupyter/datascience-notebook:514883dc662a
Plotly 5.0.0

やってみる

1.値の大きさに意味のあるデータの可視化

まず、値の大きさに意味のあるデータのケースを紹介します。値の大きさに意味のあるとは、例えばある場所での人口や気温などです。

例として、ある年度の都道府県ごとの総人口をscatter_mapbox関数で可視化してみます。データは以下のようなものです。

code,city,latitude,longitude,population
0,sapporo,43.06415035,141.34676496,1952356
1,aomori,40.82443999,140.74000496,287648
2,morioka,39.70356954,141.15265155,297631
3,sendai,38.2688808,140.87198085,1082159
4,akita,39.718624,140.102386,315814
5,yamagata,38.24055033,140.36335772,253832
（略）
46,naha,26.21244491,127.6809218,319435

このデータのpopulationカラムは2015年度の県庁所在地の総人口で、政府統計の総合窓口(e-Stat)から取得しました。東京都の人口は、23区の人口の和になります。latitudeおよびlongitudeは地理院地図で県庁所在地付近の位置情報を取得しました。

このCSVをpandasでデータフレームとして読み出し、scatter_mapbox関数で可視化してみましょう。

import pandas as pd
import plotly.express as px

df_city_population = pd.read_csv("./city_population.csv")

fig = px.scatter_mapbox(
    # データフレームおよび緯度・経度の設定
    data_frame=df_city_population,
    lat="latitude",
    lon="longitude",
    # ホバー時の表示設定
    hover_name="city",
    hover_data=["population"],
    # 散布図のマーカーの設定
    color="population",
    size="population",
    size_max=30,
    opacity=0.4,
    # 作図の設定
    center={'lat':34.686567, 'lon':135.52000},
    zoom=4,
    height=600,
    width=800)
fig.update_layout(mapbox_style='open-street-map')
fig.update_layout(margin={"r": 0, "t": 0, "l": 0, "b": 0})
fig.update_layout(title_text="Population of each cities")
fig.show()

実行すると、以下のように県庁所在地の位置に、各都道府県の人口ごとに色と大きさが異なるマーカーを表示することができました。今回は静止画ですが、インタラクティブに操作が可能です。

各都市の総人口

各引数は以下を指定します。

data_frame: 処理対象のデータフレーム
lat: 緯度を表すカラムの名前
lon: 経度を表すカラムの名前
color: マーカーの色を決めるカラムの名前
size: マーカーの大きさを決めるカラムの名前
size_max: マーカーの大きさの上限
opacity: マーカーの不透明度
center: 地図を表示する際の中心の初期値
zoom: 地図を表示する際の縮尺の初期値
height:図の高さ
width:図の幅

また、mapbox_styleでopen-street-mapを指定しました。この値により、使用する地図タイルを選択することができます。

hover_nameとhover_dataは、以下のようにデータ点をホバーした際の表示の制御を行います。

ホバー時の表示

2.時系列データの可視化

次に時系列データケースを紹介します。具体的にはGPSで取得した位置情報を想定しています。

今回は秋葉原駅からぐるっと散歩して、駅の別の入り口に戻ったとして、その軌跡を可視化してみます。

データは以下のようなCSV（trajectory1.csv）を準備しました。

x,y
35.697582,139.772637
35.697579,139.772401
35.697580,139.772191
35.697573,139.771953

データは地理院地図で各地点の緯度・経度を取得しました。このデータとは別にもう一つ別経路のデータ（trajectory2.csv）も作成しました。

以下のコードで可視化してみましょう。

# データの読み込み
df_gps1 = pd.read_csv("./trajectory1.csv")
df_gps2 = pd.read_csv("./trajectory2.csv")

# データごとにラベルを表すカラムを作成した後、１つのデータフレームにまとめる
df_gps1["trajectory"] = "trajectory1"
df_gps2["trajectory"] = "trajectory2"
df_gps = pd.concat([df_gps1, df_gps2])

# データを可視化する
fig = px.scatter_mapbox(
    # データフレームおよび緯度・経度の設定
    data_frame=df_gps,
    lat="x",
    lon="y",
    # ホバー時の表示設定
    hover_name="trajectory",
    # 散布図のマーカーの設定
    color="trajectory",
    opacity=1.0,
    # 作図の設定
    center={'lat':35.697582, 'lon':139.772637},
    zoom=15,
    height=600,
    width=800)
fig.update_layout(mapbox_style='open-street-map')
fig.update_layout(margin={"r": 0, "t": 0, "l": 0, "b": 0})
fig.update_layout(title_text="GPS trajectories")
fig.show()

今回は縮尺に対して相対的にデータ間の距離が開いているので、画像ではちょっと見にくくなってしまっていますが、移動した軌道が可視化されていることが分かります。

GPSデータの描写例