Analizando datos geoespaciales con Python
Geospatial data analysis with Python
Un artículo práctico de análisis de datos con código en Python.
Introducción
La Ciencia de Datos Geoespaciales es una de mis áreas de interés. Me resulta fascinante cómo podemos visualizar datos en un mapa y cómo, muchas veces, las relaciones entre los puntos de datos revelan grandes ideas rápidamente.
Creo que la aplicabilidad de esta subárea de la ciencia de datos es muy útil para cualquier negocio, como tiendas de comestibles, alquiler de autos, logística, bienes raíces, etc. En este artículo, analizaremos un conjunto de datos de AirBnb para la ciudad de Asheville, Carolina del Norte, en Estados Unidos.
Nota aparte: En esa ciudad se encuentra una de las propiedades inmobiliarias más increíbles de Estados Unidos, y me atrevería a decir del mundo. La propiedad pertenece a la familia Vanderbilt y durante mucho tiempo fue la propiedad privada más grande del país. Bueno, realmente vale la pena visitarla, pero ese no es el tema principal aquí.
![Edificio de la finca Biltmore en Ashville, Carolina del Norte. Foto de Stephanie Klepacki en Unsplash.](https://miro.medium.com/v2/resize:fit:640/format:webp/1*VZq2cabrC3oYQpSVjXrmzg.jpeg)
Los conjuntos de datos que se utilizarán en este ejercicio son los alquileres de AirBnb para la ciudad de Asheville. Se pueden descargar directamente desde su sitio web en http://insideairbnb.com/get-the-data, bajo la licencia Creative Commons Attribution 4.0 International.
- Línea Open-Sources ‘japanese-large-lm’ Un modelo de lenguaje japonés con 3.6 mil millones de parámetros
- Redes Generativas Adversariales (GANs) para la Ampliación de Imágenes
- OpenAI se hace cargo de la Iluminación Global; Celebra su primera adquisición empresarial
¡Manos a la obra!
Ciencia de Datos Geoespaciales
El conocimiento de este artículo proviene principalmente del libro mencionado a continuación (Applied Geospatial Data Science with Python, de David S. JORDAN). Así que comencemos importando algunos módulos a nuestra sesión.
import pandas as pdimport geopandas as gpdimport matplotlib.pyplot as pltimport pysalimport splotimport reimport seaborn as snsimport folium# Para el mapa de puntosimport geoplot.crs as gcrsimport geoplot as gplt
Ahora, ten en cuenta que algunos de ellos pueden ser nuevos para ti, al igual que para mí. Si es necesario, utiliza pip install nombre_del_módulo
para instalar cualquier paquete necesario. En mi caso, pysal
y geoplot
son nuevos para mí, por lo que tuve que instalarlos.
A continuación, leeremos los datos de AirBnb.
# Abrir archivo de listadoslistings = pd.read_csv('/content/listings.csv', usecols=['id', 'property_type', 'neighbourhood_cleansed', 'bedrooms', 'beds', 'bathrooms_text', 'price'…
We will continue to update Zepes; if you have any questions or suggestions, please contact us!
Was this article helpful?
93 out of 132 found this helpful
Related articles
- NVIDIA presenta FlexiCubes un nuevo enfoque para generar mallas de alta calidad a partir de flujos de trabajo neurales como la fotogrametría y la IA generativa.
- Cómo realizar la selección de características con Scikit-Learn
- Desbloqueando el poder del contexto con Google IA una competencia entre prefixLM y causalLM en el aprendizaje en contexto
- Construyendo aplicaciones personalizadas de preguntas y respuestas utilizando LangChain y la base de datos de vectores de Pinecone
- Entendiendo los selectores de Playwright Una guía
- ¿Cansado de tu rol de Ingeniería de Datos?
- Desarrollo en Nano-Arrays utilizando Aprendizaje Profundo Un nuevo método de IA que podría diseñar matrices de nanohuecos que pueden producir un color estructural específico