Pratique de geopandas: données vélib

Installations préalables :

!pip install pandas fiona shapely pyproj rtree # à faire obligatoirement en premier pour utiliser rtree ou pygeos pour les jointures spatiales
!pip install contextily
!pip install geopandas

import geopandas as gpd

Lire et enrichir des données spatiales

Dans cette partie, nous utiliserons la fonction suivante, qui facilite le téléchargement et le dézippage des données proposées sur data.gouv:

import requests
import tempfile
import zipfile

temporary_location = tempfile.gettempdir()

def download_unzip(url, dirname = tempfile.gettempdir(), destname = "borders"):
  myfile = requests.get(url)
  open(dirname + '/' + destname + '.zip', 'wb').write(myfile.content)
  with zipfile.ZipFile(dirname + '/' + destname + '.zip', 'r') as zip_ref:
      zip_ref.extractall(dirname + '/' + destname)

Exercice 1: lire et explorer la structure de fichiers géographiques

Utiliser la fonction download_unzip avec l’url https://www.data.gouv.fr/fr/datasets/r/07b7c9a2-d1e2-4da6-9f20-01a7b72d4b12 pour télécharger les données communales.
Importer le fichier avec la package geopandas (si vous avez laissé les paramètres par défaut, le fichier devrait être à l’emplacement temporary_location + "/borders/communes-20190101.json"). Vous pouvez le nommer communes_borders
Regarder les premières lignes des données. Identifier la différence avec un DataFrame standard.
Afficher l’attribut crs de communes_borders. Ce dernier contrôle la transformation de l’espace tridimensionnel terrestre en une surface plane.
Afficher les communes de l’Aveyron (département 12) et utiliser la méthode plot
Réprésenter la carte de Paris : quel est le problème ?

En effet, on ne dispose ainsi pas des limites des arrondissements parisiens, ce qui appauvrit grandement la carte de Paris. On peut les récupérer directement depuis le site d’open data du grand Paris (cf. tutoriel du chapitre précédent).

Exercice 2: compléter des données spatiales issues de sources différentes

Importer les données de découpage des arrondissements parisiens à l’adresse https://opendata.paris.fr/explore/dataset/arrondissements/download/?format=geojson&timezone=Europe/Berlin&lang=fr
Vérifier sur une carte que les découpages des arrondissements sont bien présents
Vérifier l’attribut crs. Est-il cohérent avec celui des données communales ?
Retirer Paris du jeu de données communales et utiliser les arrondissements pour enrichir (nommer l’objet obtenu data_borders). Ici, on peut ne pas se soucier de la variable commune de superficie aux niveaux différents car on va la recréer. En revanche, renommer la variable c_arinsee en insee avec la méthode rename et faire attention aux types des variables
Créer une variable dep stockant le département
Représenter les communes de la petite couronne parisienne (75, 92, 93, 94)

Utiliser des données géographiques comme des couches graphiques

Souvent, le découpage communal ne sert qu’en fond de cartes, pour donner des repères. En complément de celui-ci, on peut désirer exploiter un autre jeu de données. On va partir des données de localisation des stations velib, disponibles sur le site d’open data de la ville de Paris et requêtables directement par l’url https://opendata.paris.fr/explore/dataset/velib-emplacement-des-stations/download/?format=geojson&timezone=Europe/Berlin&lang=fr

Exercice 3: importer et explorer les données velib

Importer les données velib sous le nom station
Représenter sur une carte les 50 stations les plus importantes (variable capacity). Vous pouvez également afficher le fonds de carte des arrondissements en ne gardant que les départements de la petite couronne (75, 92, 93, 94). Cette page peut vous aider pour afficher plusieurs couches à la fois.
Afficher également les réseaux de transport en communs, disponibles ici. L’url à requêter est https://data.iledefrance-mobilites.fr/explore/dataset/traces-du-reseau-ferre-idf/download/?format=geojson&timezone=Europe/Berlin&lang=fr

Jointures spatiales

Les jointures attributaires fonctionnent comme avec un DataFrame pandas. Pour conserver un objet spatial in fine, il faut faire attention à utiliser en premier (base de gauche) l’objet geopandas. En revanche, l’un des intérêts des objets geopandas est qu’on peut également faire une jointure sur la dimension spatiale.

La documentation à laquelle se référer est ici.

Exercice 4: Associer les stations aux communes et arrondissements auxquels elles appartiennent

Faire une jointure spatiale pour enrichir les données de stations en y ajoutant des informations de data_paris. Appeler cet objet stations_info
Représenter la carte des stations du 19e arrondissement (s’aider de la variable c_ar). Vous pouvez mettre en fond de carte les arrondissements parisiens.
Compter le nombre de stations velib et le nombre de places velib par arrondissement ou commune (pour vous aider, vous pouvez compléter vos connaissances avec ce tutoriel). Représenter sur une carte chacune des informations
Représenter les mêmes informations mais en densité (diviser par la surface de l’arrondissement ou commune en km2)

Trouver la station la plus proche

Une aide ici

Cet exemple peut également vous aider à comprendre certains concepts :

Exercice 5 (optionnel): Trouver la station de métro la plus proche d’une station de vélib

Charger la localisation des stations de transports présente ici : https://data.ratp.fr/explore/dataset/accessibilite-des-gares-et-stations-metro-et-rer-ratp/download/?format=geojson&timezone=Europe/Berlin&lang=fr. Appelez-la stations_transport et ne gardez que les variables ’nomptar’ et ‘geometry’.
Trouver la station de transport la plus proche de la station de vélib “Edgard Quinet - Gaité”. La ligne de code ensemble_stations = stations_transport.unary_union vous sera utile ainsi que l’importation de la fonction from shapely.ops import nearest_points.
Généraliser aux 10 premières lignes de la table stations des vélibs en indiquant pour chaque station velib quelle est la station de transport en commun la plus proche dans une nouvelle colonne appelée Nearest.

Last updated on Jul 9, 2020

Edit this page