Python怎么實現香港地圖、房價可視化和繪制氣泡圖

# Python怎么實現香港地圖、房價可視化和繪制氣泡圖

## 引言

在數據分析和可視化領域，地理空間數據的呈現一直是重要課題。香港作為國際金融中心，其房地產市場數據具有極高的分析價值。本文將詳細介紹如何利用Python實現香港地圖的可視化、房價數據的展示以及氣泡圖的繪制，幫助讀者掌握地理數據可視化的核心技能。

## 一、準備工作

### 1.1 所需工具和庫

實現地理可視化需要以下Python庫：
- `geopandas`：處理地理空間數據
- `matplotlib`/`seaborn`：基礎可視化
- `folium`/`plotly`：交互式地圖
- `contextily`：添加底圖
- `pandas`：數據處理

安裝命令：
```bash
pip install geopandas matplotlib seaborn folium plotly contextily pandas

1.2 數據獲取

需要準備兩類數據： 1. 香港行政區劃GeoJSON文件（可從Hong Kong GeoData Store獲?。?2. 香港房價數據集（示例數據可模擬生成）

import pandas as pd
import numpy as np

# 模擬生成2023年香港各區房價數據（單位：萬港元/平方米）
districts = ['中西區', '灣仔區', '東區', '南區', 
            '油尖旺區', '深水埗區', '九龍城區', '黃大仙區', 
            '觀塘區', '荃灣區', '屯門區', '元朗區',
            '北區', '大埔區', '沙田區', '西貢區', 
            '離島區']

housing_data = pd.DataFrame({
    'District': districts,
    'AvgPrice': np.random.uniform(15, 30, len(districts)),
    'TransactionCount': np.random.randint(100, 500, len(districts))
})

二、香港地圖基礎繪制

2.1 加載地理數據

import geopandas as gpd

# 加載香港行政區劃數據
hk_map = gpd.read_file('path_to_hk_districts.geojson')
print(hk_map.head())

2.2 基礎地圖繪制

import matplotlib.pyplot as plt

fig, ax = plt.subplots(figsize=(12, 10))
hk_map.plot(ax=ax, color='lightblue', edgecolor='black')
plt.title('香港行政區劃圖', fontsize=16)
plt.axis('off')
plt.show()

2.3 中文顯示處理

plt.rcParams['font.sans-serif'] = ['SimHei']  # 設置中文字體
plt.rcParams['axes.unicode_minus'] = False  # 解決負號顯示問題

三、房價數據可視化

3.1 數據合并

# 確保區名一致
housing_data['District'] = housing_data['District'].str.replace('區', '')
hk_map['name_zh'] = hk_map['name_zh'].str.replace('區', '')

# 合并地理數據與房價數據
merged_data = hk_map.merge(housing_data, left_on='name_zh', right_on='District')

3.2 分級設色地圖（Choropleth）

fig, ax = plt.subplots(figsize=(14, 12))

# 繪制分級設色地圖
merged_data.plot(column='AvgPrice', 
                ax=ax, 
                legend=True,
                scheme='quantiles',
                cmap='OrRd',
                edgecolor='black',
                linewidth=0.5)

# 添加標注
for idx, row in merged_data.iterrows():
    plt.annotate(text=f"{row['District']}\n{row['AvgPrice']:.1f}萬", 
                 xy=row['geometry'].centroid.coords[0],
                 ha='center',
                 fontsize=9)

plt.title('香港各區平均房價（萬港元/平方米）', fontsize=18)
plt.axis('off')
plt.show()

3.3 交互式地圖（Folium實現）

import folium

# 計算地圖中心點
center = [hk_map.geometry.centroid.y.mean(), hk_map.geometry.centroid.x.mean()]

# 創建基礎地圖
m = folium.Map(location=center, zoom_start=11, tiles='CartoDB positron')

# 添加分級設色圖層
folium.Choropleth(
    geo_data=hk_map,
    name='choropleth',
    data=housing_data,
    columns=['District', 'AvgPrice'],
    key_on='feature.properties.name_zh',
    fill_color='YlOrRd',
    fill_opacity=0.7,
    line_opacity=0.2,
    legend_name='平均房價（萬港元/平方米）'
).add_to(m)

# 添加交互標簽
style_function = lambda x: {'fillColor': '#ffffff', 
                           'color':'#000000', 
                           'fillOpacity': 0.1, 
                           'weight': 0.1}
highlight_function = lambda x: {'fillColor': '#000000', 
                               'color':'#000000', 
                               'fillOpacity': 0.50, 
                               'weight': 0.1}

for idx, row in merged_data.iterrows():
    html = f"""
    <b>地區</b>: {row['District']}<br/>
    <b>平均房價</b>: {row['AvgPrice']:.1f}萬/㎡<br/>
    <b>交易量</b>: {row['TransactionCount']}宗
    """
    
    popup = folium.Popup(html, max_width=300)
    
    folium.GeoJson(
        row['geometry'],
        style_function=style_function,
        highlight_function=highlight_function,
        tooltip=row['District'],
    ).add_child(popup).add_to(m)

folium.LayerControl().add_to(m)
m.save('hk_housing.html')

四、氣泡圖繪制

4.1 基礎氣泡圖

fig, ax = plt.subplots(figsize=(14, 10))

# 繪制底圖
hk_map.plot(ax=ax, color='lightgrey', edgecolor='black')

# 繪制氣泡圖
scatter = merged_data.plot(ax=ax, 
                          marker='o', 
                          color='red', 
                          markersize=merged_data['TransactionCount']/10,
                          alpha=0.6)

# 添加標注
for idx, row in merged_data.iterrows():
    ax.annotate(text=f"{row['District']}\n{row['AvgPrice']:.1f}萬", 
               xy=(row['geometry'].centroid.x, row['geometry'].centroid.y),
               xytext=(5, 5),
               textcoords='offset points',
               fontsize=9)

plt.title('香港各區房價氣泡圖（大小表示交易量）', fontsize=18)
plt.axis('off')

# 添加圖例
for size in [100, 200, 300]:
    plt.scatter([], [], c='red', alpha=0.6, s=size/10,
               label=f'{size}宗交易')
plt.legend(scatterpoints=1, frameon=False, labelspacing=1.5)

plt.show()

4.2 進階氣泡圖（Plotly實現）

import plotly.express as px

# 準備數據
plotly_data = merged_data.copy()
plotly_data['lon'] = plotly_data.geometry.centroid.x
plotly_data['lat'] = plotly_data.geometry.centroid.y

fig = px.scatter_mapbox(plotly_data,
                       lon="lon",
                       lat="lat",
                       size="TransactionCount",
                       color="AvgPrice",
                       color_continuous_scale=px.colors.sequential.OrRd,
                       size_max=30,
                       zoom=10,
                       hover_name="District",
                       hover_data={"AvgPrice": ":.1f", "TransactionCount": True},
                       mapbox_style="carto-positron")

fig.update_layout(
    title='香港各區房價氣泡圖（2023年）',
    width=1000,
    height=800,
    coloraxis_colorbar=dict(title="平均房價（萬/㎡）")
)
fig.show()

五、綜合可視化案例

5.1 房價與交易量熱力圖

import seaborn as sns

# 創建網格數據
grid = merged_data.copy()
grid['x'] = grid.geometry.centroid.x
grid['y'] = grid.geometry.centroid.y

fig, ax = plt.subplots(figsize=(14, 12))
hk_map.plot(ax=ax, color='lightgrey', edgecolor='black')

# 繪制熱力圖
sns.kdeplot(x=grid['x'], 
            y=grid['y'], 
            weights=grid['AvgPrice'],
            cmap='Reds',
            alpha=0.6,
            levels=10,
            thresh=0.3,
            ax=ax)

# 添加氣泡
scatter = ax.scatter(x=grid['x'], 
                    y=grid['y'], 
                    s=grid['TransactionCount']/5,
                    c=grid['AvgPrice'],
                    cmap='OrRd',
                    alpha=0.8,
                    edgecolors='black')

# 添加顏色條
plt.colorbar(scatter, label='平均房價（萬/㎡）')

plt.title('香港房價熱力圖與交易量氣泡圖', fontsize=18)
plt.axis('off')
plt.show()

5.2 3D房價地圖

from mpl_toolkits.mplot3d import Axes3D

fig = plt.figure(figsize=(16, 14))
ax = fig.add_subplot(111, projection='3d')

# 創建3D柱狀圖
for idx, row in merged_data.iterrows():
    poly = row['geometry']
    if poly.geom_type == 'Polygon':
        x, y = poly.exterior.xy
        z = np.ones(len(x)) * row['AvgPrice']
        ax.plot(x, y, z, color='black', linewidth=0.5)
        ax.fill_between(x, y, z, color='red', alpha=0.3)

ax.set_title('香港3D房價地圖', fontsize=20)
ax.set_zlabel('平均房價（萬/㎡）')
ax.grid(False)
plt.axis('off')
plt.tight_layout()
plt.show()

六、數據分析和見解

通過上述可視化，我們可以得出以下觀察： 1. 香港島北部（中西區、灣仔區）房價明顯高于新界地區 2. 交易量最大的區域集中在九龍城區和沙田區 3. 房價與交易量呈現一定的負相關關系 4. 離島區雖然房價較低，但交易量也相對較少

七、總結

本文完整介紹了： 1. 香港地理數據的加載和處理方法 2. 靜態和交互式地圖的創建技巧 3. 氣泡圖、熱力圖等多種可視化形式 4. 3D地理數據的展示方式

完整代碼和數據可參考：[GitHub倉庫鏈接]

參考資料

1. GeoPandas官方文檔
2. 香港政府地理數據門戶
3. Matplotlib可視化指南
4. Folium交互式地圖教程

”`