本文内容主要如下：由于networkx3.0不再提供read_shp（）函数，没有了快捷的转换功能，我们就从头写起吧。
第一步
用的包如下
# import we must need library files
# the function of 'as' is samplify quote
import geopandas
from tqdm import tqdm
import matplotlib.pyplot as plt
import networkx as nx
import numpy as np
from shapely import geometry
import os主要目的是想通过读取线要素，shp格式的文件，生成网络数据集，并保存下来，通过点号计算最短路径或者其他网络分析。可以参考networkx提供的了其他算法：
ikzhttps://www.osgeo.cn/networkx/reference/algorithms/shortest_paths.htmld
第二步
直接看代码吧，主要部分由一个类和一个计算欧式距离的函数构成。这个类的功能很简单，就是把shp转化为网络数据。我们的道路数据要经过投影变换之后才可以使用，变换为地理坐标系，你只要把3395的地方改成你的投影坐标系代号就可以，投影变换可以利用ArcGIS进行操作，也可以利用geppandas的to_crs（）方法进行坐标系变换。我们知道network的边可以指定为元组，也就是在这里利用坐标元组当作节点输入，这样的好处是节省很多代码，但保存成network的文件之后，再次读取的时候，标志是带有双引号的元组，因此我们需要再保存成网络文件之前，将所有节点标志换成整数。
G[(1,1)] # 会发生key值错误，原因在于实际上的key值是“（1，1）”，有双引号
# 因此我们还是利用整数索引当作节点标志为好查看最后保存的效果：
没错，是我们需要的整数标志。
详细代码如下：
"""
this code will show how to translate shape files into networks through the python Networkx library
we will use the file of hefei province' road network to conduct the experiment
"""
# 计算欧式距离 利用np矩阵算法
def calEuclidean(x, y):
x = np.array(x, dtype='f4')
y = np.array(y, dtype='f4')
dist = np.sqrt(np.sum(np.square(x - y)))
return dist
# 计算网络中离中心点距离最小的点索引，参数分别是点文件，和停靠距离，返回一个停靠点数组
def nearest(filename, dist):
arry = []
series = geopandas.GeoSeries.from_file(filename, crs="EPSG:3395", index=[1, 2])
points = geopandas.GeoSeries.from_file("node.shp", crs="EPSG:3395")
for i in range(len(series.geometry)):
arry.append(0)
point = series.geometry[i]
distance = dist
for n in range(len(points.geometry)):
# 先确定在给定矩形内的点
if (point.x - dist < points.geometry[n].x <= point.x + dist) and (
point.y - dist < points.geometry[n].y <= point.y + dist):
# 在计算这些点当中最近的点
if calEuclidean([points.geometry[n].x, points.geometry[n].y], [point.x, point.y]) < distance:
arry.pop()
arry.append(n)
distance = calEuclidean([points.geometry[n].x, points.geometry[n].y], [point.x, point.y])
if arry[i] == 0:
print("没有找到第{}个点的停靠点,可能距离过小".format(i + 1))
return arry
# 读取线要素的shp文件，转换为networkx支持的网络图
class convert_to_binary(object):
def __init__(self, src_path):
self.coordinate = []
self.list = []
self.number = 0
# 创建一个无向图 这个类也只基于无向图
self.network = nx.MultiGraph()
self.network_data = geopandas.read_file(src_path, encoding='GBK')
self.length = self.network_data.shape[0]
self.temporary_coordinates = []
# 通过这个函数拿到网络
# SHP file converted to network data
def shp_network(self):
if os.path.exists("test.gexf"):
print("已经成功创建网络文件")
self.network = nx.read_gexf("test.gexf", node_type=int)
if os.path.exists("node.npy"):
print("正在读取坐标文件")
# 为什么不从node.shp文件中读取坐标，因为感觉没有从np的文件里读取快
coordinate = np.load("node.npy")
for i in zip(coordinate[:, 0], coordinate[:, 1]):
self.coordinate.append(i)
return self.network
else:
# 这种挨个搜索的方法只适合建立无向图
for n in tqdm(range(self.length), desc="构建网络数据集中："):
def Generate_network(data):
line_len = len(data.xy[0])
for ii in zip(data.xy[0], data.xy[1]):
if ii not in self.coordinate:
self.coordinate.append(ii)
self.list.append(ii)
for m in range(line_len - 1):
# 确保不会出现一个位置上有两个端点
start = self.list[self.number + m]
end = self.list[self.number + m + 1]
distance = calEuclidean(start, end)
# 赋予每条边的权重为距离和时间，时间等于距离除以速度，3395的单位是m，速度我设置的是m/s，因此时间单位是s
# 路网在处理之初，要对所有道路进行分类和加上速度属性，一般不同的道路对速度要求不一
# 我自己使用的路网有加了速度属性，因此我可以设置这一权重
# tm = distance / float(self.network_data['avgspeed'][n])
# self.network.add_edge(start, end, weight=distance, time=tm)
self.network.add_edge(start, end, weight=distance)
self.number = self.number + line_len
lin_str = self.network_data.geometry[n]
if lin_str.type == 'LineString':
Generate_network(lin_str)
else:
for mul_line in lin_str:
Generate_network(mul_line)
# 利用整数重新编制节点标志
self.network = nx.convert_node_labels_to_integers(self.network, label_attribute="label")
# 保存节点数据
coordinate = np.array(self.coordinate)
points = geopandas.GeoSeries(geopandas.points_from_xy(coordinate[:, 0], coordinate[:, 1], crs="EPSG:3395"))
points.to_file("node.shp")
# 保存坐标
np.save("node.npy", coordinate)
# 保存网络
nx.write_gexf(self.network, "test.gexf")
return self.network
# 返回索引对应的xy坐标元组
def getpos(self):
return self.coordinate
# 保存路径
def save_path(self, path):
self.temporary_coordinates = []
for i in path:
self.temporary_coordinates.append(self.coordinate[int(i)])
lines = geopandas.GeoSeries([geometry.LineString(xy for xy in self.temporary_coordinates)],
crs='EPSG:3395')
lines.to_file("path.shp")
print("路径保存成功")可以看到我对每条边不仅赋予了长度，而且还赋予了时间的权重，这样我们可以进行俩种分析，距离最短和时间最短。在ArcGIS中我们把这些属性叫做阻抗。
第三步
接下里开始测试，拿出我们准备好的的道路数据。合肥市市中心裁剪路网，2012年的
主函数部分：
if __name__ == "__main__":
src = "路网/road.shp"
# loading the file of hefei
# select GDK as the encoding format
network_road = geopandas.read_file(src, encoding='GBK')
# 查看是不是投影坐标系
print("The projection information of {} is {}".format(src, network_road.crs))
# 仅仅只是我写的这个函数是针对线要素的，你可以构想对于多边形和单点的,(此外线要素分单线与多线)
if network_road.type[1] != "LineString":
print("仅支持线要素")
# an undirected graph is built to read from SHP file
print("the number of shapes are:%d" % network_road.shape[0])
print(network_road.geometry[2].xy[1])
reader = convert_to_binary(src)
network = reader.shp_network()
print("the number of edges are {}".format(network.number_of_edges()))
print("the number of nodes are {}".format(network.number_of_nodes()))
pos = reader.getpos()
# park = nearest("路网/endpoint.shp", 500)
# print("数组是{}".format(park))
# source 是起点标志，而target是终点标志
short_path = nx.shortest_path(network, source=200, target=100)
# # 保存路径数据
reader.save_path(short_path)
# 生成最短路径的子图，因为是子图节点和边的关系不改变，可以使用原来的布局坐标
short_net = nx.subgraph(network, short_path)
# 使用matplotlib库绘制
options = {"node_color": "black", "node_size": 0, "linewidths": 1, "width": 0.1}
nx.draw(network, pos=pos, **options)
# 用plt绘图的效果不理想，建议使用arcgis查看
# 绘制最短路径
options2 = {"node_color": "black", "node_size": 0, "edge_color": "red", "linewidths": 1, "width": 1}
nx.draw(short_net, pos=pos, **options2)
plt.show()运行中：
查看plt的绘图效果：
效果不是很好（默默打开ArcGIS），把节点的size调为0，边的宽度为1
效果不错，接下来使用networkx来进行最短路径分析：
# source=500, target=5000，前者是起点标志，后者是终点标志
short_path = nx.shortest_path(network, source=500, target=5000)
with open(file=r"导航.txt", mode="w", encoding="utf-8") as f:
for i in range(len(short_path) - 1):
f.write("从{0}点到{1}点，预计用时{2}s，行驶距离为{3}m \n".format(short_path[i], short_path[i + 1],
network[short_path[i]][short_path[i + 1]]['time'],
network[short_path[i]][short_path[i + 1]]['weight']))
# 保存节点和路径数据
reader.save_path(short_path)运行后生成一个node.shp文件，这个是用来存储我们文件中的所有不重复节点，打开看看。
从上面的图寻找我们想要计算的节点。我们寻找的是点500到5000的最短路径，运行脚本打开path看看：
看起来确实是距离最短，接下来分析时间最短路径
short_path = nx.shortest_path(network, source=500, target=5000,weight="time")得到path.shp，打开查看
我们知道那条路其实是高架，所以也很有道理：）用时缺少最短，当然我们只分析的是开车的情况。
保存了一个导航.txt，因为把每个节点都写出来了所以很多，一般我们是以一条道路为单位进行分析方向。
最后一步
还要实现一个功能，就是返回最近的停靠点的功能，在一定距离内离终点和起点最近的停靠点，我记得好像geopands有这个函数，还可以返回索引，没找到的话，那就手写吧：
# 计算网络中离中心点距离最小的点索引，参数分别是点文件，和停靠距离
def nearest(filename, dist):
arry = []
series = geopandas.GeoSeries.from_file(filename, crs="EPSG:3395", index=[1, 2])
points = geopandas.GeoSeries.from_file("node.shp", crs="EPSG:3395")
for i in range(len(series.geometry)):
arry.append(0)
point = series.geometry[i]
distance = dist
for n in range(len(points.geometry)):
# 先确定在给定矩形内的点
if (point.x - dist < points.geometry[n].x <= point.x + dist) and (
point.y - dist < points.geometry[n].y <= point.y + dist):
# 在计算这些点当中最近的点
if calEuclidean([points.geometry[n].x, points.geometry[n].y], [point.x, point.y]) < distance:
arry.pop()
arry.append(n)
distance = calEuclidean([points.geometry[n].x, points.geometry[n].y], [point.x, point.y])
if arry[i] == 0:
print("没有找到第{}个点的停靠点,可能距离过小".format(i + 1))
return arry定义俩个点：在ArcGIS中，
# 因为3395坐标系的单位是米，因此500的含义为500m，也就是停靠范围，是在500m以内的最近点
park = nearest("路网/endpoint.shp", 500)
print("数组是{}".format(park))
# source 是起点标志，而target是终点标志
short_path = nx.shortest_path(network, source=park[0], target=park[1])
# 保存路径数据
reader.save_path(short_path)得到路径打开查看，基本符合预期
源代码：
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
