python 全球地图

### 如何使用 Python 绘制全球地图

为了实现这一目标，通常会采用 `geopandas` 和 `matplotlib` 这样的库来处理地理空间数据并创建地图可视化效果。下面是一个完整的流程展示如何利用 Python 来绘制全球地图。

#### 安装必要的包
首先需要安装一些依赖项，可以通过 pip 或 conda 安装如下几个重要的软件包：

pip install geopandas matplotlib pandas requests seaborn folium plotly

#### 获取世界边界数据
可以从自然地球(Natural Earth)获取简化版的世界国界矢量文件，这是一个常用的数据源用于制作高质量的地图[^2]。

import geopandas as gpd
world = gpd.read_file(gpd.datasets.get_path('naturalearth_lowres'))

这段代码加载了一个内置的世界各国轮廓 GeoDataFrame 对象，其中包含了各个国家的基本信息以及几何形状。

#### 数据清洗与准备
对于特定的应用场景可能还需要对原始数据做一些清理工作，比如去除南极洲这样的特殊区域，因为其面积巨大可能会干扰视觉呈现的效果:

world = world[(world.pop_est>0) & (world.name!="Antarctica")]

#### 创建基础地图图形
接下来就可以基于上述准备工作构建一个简单的全局视图了。这里通过调用 Matplotlib 的绘图函数完成基本的地图渲染：

%matplotlib inline  
fig, ax = plt.subplots(1, 1)
ax.set_aspect('equal')
world.plot(ax=ax, color='lightblue', edgecolor='black') # 设置颜色和边框样式
plt.show()

以上步骤已经能够生成一张非常直观的世界地图图像。当然实际应用中往往还会涉及到更复杂的功能需求，例如叠加其他类型的地理要素（河流、湖泊）、标注重要地点名称或是根据某些指标给不同地区着色等等。

#### 增强功能：按属性上色
假设现在有一个关于各国家电力消费水平的数据集，并希望据此为每个国家填充不同的色彩以反映差异，则可按照以下方式操作：

# 假设 df 是包含 'country' 列代表国家名,'power_consumption' 表示对应电量数值的 DataFrame
merged_data = world.merge(df, how="left", left_on=['name'], right_on=['country'])
merged_data.fillna(value=0, inplace=True)

# 使用 colormap 渲染
vmin, vmax = merged_data["power_consumption"].quantile([0.05, 0.95])  # 排除极端值影响
norm = mpl.colors.Normalize(vmin=vmin, vmax=vmax)
cmap = cm.viridis_r

fig, ax = plt.subplots(figsize=(16,8))
for idx, row in merged_data.iterrows():
    poly = row.geometry.buffer(.01).simplify(tolerance=.01)
    patch = PolygonPatch(poly, fc=cmap(norm(row.power_consumption)), ec='#555555', linewidth=.2, alpha=1., zorder=4)
    ax.add_patch(patch)

sm = plt.cm.ScalarMappable(cmap=cmap, norm=plt.Normalize(vmin=vmin,vmax=vmax))
sm._A = []
cbaxes = fig.add_axes([0.93, 0.1, 0.03, 0.8])
cb = plt.colorbar(sm,cax=cbaxes)
plt.title("Global Power Consumption Map")

plt.axis('scaled');
plt.show();

此段脚本实现了依据电力消耗强度的不同而赋予各国深浅不一的颜色表示，从而更加生动形象地展示了全球范围内能源使用的分布情况。