Barbara
ANALYSE DES DONNÉES GÉOSPATIALES EN PYTHON AVEC OSMNX ET KEPLER.GL
Les données géospatiales sont omniprésentes et permettent de nombreuses applications dans toutes sortes d’entreprises, comme le calcul du risque associé aux propriétés en fonction de leur emplacement, la conception de nouveaux développements architecturaux, la planification de l’expédition de marchandises, et la recherche de routes possibles entre différents endroits. Ces données sont généralement stockées sous deux formats possibles : Raster et Vector. Les Rasters représentent des données sous la forme d’une matrice de pixels (par conséquent, avec une résolution fixe). Les Vectors peuvent être utilisées pour modéliser les géométries du monde réel en utilisant des éléments tels que des points, des lignes, des polygones, etc… et peuvent généralement être stockées en conjonction avec des métadonnées utiles sur les objets qu’elles représentent (par exemple, le nom, l’adresse, le propriétaire, etc.). Lorsque l’on travaille avec des données géospatiales, de nombreuses formes d’opérations/transformation sont généralement nécessaires, comme la conversion de formats binaires bruts en vecteur/raster, le regroupement de données continues en catégories discrètes, etc. Dans cet article, nous allons explorer tout cela ainsi que la manière de trouver un emplacement spécifique et de calculer le chemin le plus court pour y arriver en utilisant Python et les bibliothèques OSMnx et Kepler.gl.
INITIALISATION
Avant de commencer, il faut s’assurer d’avoir toutes les dépendances nécessaires installées dans notre environnement. Nous allons explorer le quartier d’Altstadt à Zurich (Suisse) en utilisant OSMnx. Il suffit de deux lignes de code pour récupérer et visualiser les données nécessaires. OSMnx a en effet été conçu pour fetch et utiliser les données OpenStreetMap de la manière la plus simple possible. Ensuite, nous pouvons récupérer le polygone de la zone que nous représentons comme base pour notre exploration. Les données ainsi récupérées sont stockées dans un cadre de données GeoPandas contenant toutes les informations intéressantes sur la zone.
VISUALISATION
Une fois que nous avons chargé toutes les données, nous pouvons les représenter visuellement en utilisant la colonne de géométrie comme point de référence. Nous pouvons également avoir recours à d’autres bibliothèques pour rendre notre analyse plus interactive, comme Kepler.gl. Kepler.gl est une boîte à outils géospatiale open-source développée par Uber pour créer des applications géo web à haute performance (via browser). Kepler.gl nous permet de superposer notre carte sur une carte mondiale réelle et d’appliquer diverses transformations et filtrages en temps réel. Cette méthode nous permet de trouver facilement notre restaurant et de calculer le chemin le plus court pour y parvenir en utilisant l’algorithme de Dijkstra en utilisant le NetworkX.
CONCLUSION
En conclusion, cet article nous a présenté comment les données géospatiales sont utilisées dans les entreprises, leur stockage/traitement, et nous a guidé à travers une démonstration pratique pour identifier les chemins les plus courts entre deux points en utilisant Python et les bibliothèques OSMnx et Kepler.gl. Cette méthode peut être appliquée dans divers autres cas de problèmes basés sur les réseaux, comme le problème du voyageur du commerce. Si vous souhaitez rester informé de mes derniers articles et projets, suivez-moi sur Medium et abonnez-vous à ma liste de diffusion.
