Python ArcGIS Country.enrich用法及代码示例

本文简要介绍 python 语言中 arcgis.geoenrichment.Country.enrich 的用法。

用法:

enrich(study_areas, enrich_variables=None, return_geometry=True, standard_geography_level=None, standard_geography_id_column=None, proximity_type=None, proximity_value=None, proximity_metric=None, output_spatial_reference=None, **kwargs)

返回：

具有丰富数据的 Pandas DataFrame。

Enrich 提供对海量数据集的访问，该数据集准确说明了某个地理位置的人员身份。描绘 study_areas 进行丰富的最常见方法是使用多边形描绘区域，但也可以使用点和线。

当提供点或线时，几何形状周围的区域用于丰富。该区域可以使用其他参数来定义，但默认情况下是几何体周围一公里。此外，线几何形状仅支持直线距离，但点可以使用可用的交通网络方法[通常是行驶距离或行驶时间]。

虽然现场分析、商店或设施位置的预测建模已经很流行，但丰富函数提供了对大量数据的访问，以便对人员及其与周围社区、文化、经济甚至自然环境的关系和互动进行分析。简而言之，丰富就是如何获取数据进行人文地理分析。

用于丰富的study_areas可以以多种形式提供：可以提供空间启用的Pandas DataFrame 架或可迭代的。可迭代对象可以由 Geometry 对象实例或标准地理标识符组成。虽然可能会提供其他值，例如字符串地址或 points-of-interest 名称，但建议在执行丰富之前在工作流程中检索这些位置。

Parameter	Description
study_areas	包含要丰富的输入区域的必需列表、字典、 FeatureSet 或 SpatiallyEnabledDataFrame。
enrich_variables	可以使用字符串列表或从 enrich_variables() 属性返回的 Pandas DataFrame 来指定丰富变量。如果使用字符串列表，则这些值将针对 name、‘enrich_name’ 或 ‘enrich_field_name’ 的 enrich_variables() 数据帧列进行匹配。所有值必须与这些列之一匹配。
return_geometry	布尔值，指示是否需要在输出中返回几何图形。默认为 True 。
standard_geography_level	如果使用标准地理标识符列表，则必须在此处指定地理级别。该值是在 levels() 属性中检索到的 level_name 列。
standard_geography_id_column	如果提供 Pandas DataFrame 作为输入，并且 DataFrame 包含一列，其中包含您希望用于指定输入 study_areas 的标准地理标识符，请在此参数中以字符串形式提供列名称。
proximity_type	如果提供点几何形状作为输入 study_areas，您可以选择提供用于根据可用出行模式创建点周围邻近度的方法。可以使用 travel_modes 属性发现这些出行模式。有效值来自此返回的 DataFrame 中的 name 列。此外，除了交通网络出行模式之外，您还可以选择使用 straight_line ，只需在几何体周围使用直线距离、缓冲区。这是默认设置，也是几何类型为线时的唯一选项。
proximity_value	这是十进制浮点数或整数形式的标量值，定义用于富集的源几何体周围的邻近区域的大小。例如，如果需要五分钟的行驶时间，则该值将为 5 。
proximity_metric	这是定义用于定义用于浓缩的几何形状周围区域的区域的测量单位。如果有兴趣获得五分钟的车程，该值将为minutes。
output_spatial_reference	默认输出为 WGS84 (WKID 4326)。如果需要不同的输出空间参考，请在此处以 WKID 或 SpatialReference 对象实例的形式提供。
hierarchy	要使用的数据集的层次结构。该层次结构是“ID”，可以在hierarchies 属性中找到。如果未提供，将使用默认层次结构。

以下是使用 ArcGIS Pro 与 Business Analyst 和本地安装的美国数据包来丰富一些关键变量的示例。

from arcgis.gis import GIS
from arcgis.geoenrichment import Country

# create country object instance to use local ArcGIS Pro + Business Analyst + USA data pack
usa = Country('usa', gis=GIS('pro'))

# select current year key enrichment variables for analysis
ev_df = usa.enrich_variables
kv_df = ev_df[
    (ev_df.data_collection.str.lower().str.contains('key'))  # key data collection
    & (ev_df.alias.str.lower().str.endswith('cy'))           # current year
]

# get data from ArcGIS Online to enrich as Spatially Enabled DataFrame
itm_id = '15d227c6da8d4b7baf713709ba3693ce'  # USA federal district court polygons
gis = GIS()  # anonymous connection to ArcGIS Online
aoi_df = gis.content.get(itm_id).layers[0].query().sdf

# enrich with variables selected above
enrich_df = usa.enrich(aoi_df, enrich_variables=kv_df)

接下来，我们可以使用 ArcGIS Online 而不是 ArcGIS Pro 来执行类似的工作流程，方法是创建几个点几何形状并在位置周围使用 five-minute 行驶时间。

import os

from arcgis.gis import GIS
from arcgis.geoenrichment import Country
from arcgis.geometry import Geometry
from dotenv import find_dotenv, load_dotenv

# load environment settings from .env file
load_dotenv(find_dotenv())

# create connection to ArcGIS Online organization using values saved in .env file
gis_agol = GIS(
    url=os.getenv('ESRI_GIS_URL'),
    username=os.getenv('ESRI_GIS_USERNAME'),
    password=os.getenv('ESRI_GIS_PASSWORD')
)

# create a country object instance
usa = Country('usa', gis=gis_agol)

# get just key variables for the current year
ev_df = usa.enrich_variables
kv_df = ev_df[
    (ev_df.data_collection.str.lower().str.contains('key'))  # key data collection
    & (ev_df.alias.str.lower().str.endswith('cy'))           # current year
]

# create a couple of point geometries on the fly for the example
coord_lst = [
    (-122.9074835, 47.0450249),  # Bayview Grocery Store
    (-122.8749600, 47.0464031)   # Ralph's Thriftway Grocery Store
]
geom_lst = [Geometry({'x': pt[0], 'y': pt[1], 'spatialReference': {'wkid': 4326}}) for pt in coord_lst]

# enrich the geometries and get a spatially enabled dataframe
enrich_df = usa.enrich(
    study_areas=geom_lst,
    enrich_variables=kv_df,
    proximity_type='driving_time',
    proximity_value=5,
    proxmity_metric='minutes'
)

最后，我们还可以使用标准地理标识符来指定study_areas。

import os

from arcgis.gis import GIS
from arcgis.geoenrichment import Country
from arcgis.geometry import Geometry
from dotenv import find_dotenv, load_dotenv

# load environment settings from .env file
load_dotenv(find_dotenv())

# create connection to ArcGIS Online organization using values saved in .env file
gis_agol = GIS(
    url=os.getenv('ESRI_GIS_URL'),
    username=os.getenv('ESRI_GIS_USERNAME'),
    password=os.getenv('ESRI_GIS_PASSWORD')
)

# create a country object instance
usa = Country('usa', gis=gis_agol)

# get just key variables for the current year
ev_df = usa.enrich_variables
kv_df = ev_df[
    (ev_df.data_collection.str.lower().str.contains('key'))  # key data collection
    & (ev_df.alias.str.lower().str.endswith('cy'))           # current year
]

# the block group ids for Olympia, WA
id_lst = ['530670101001', '530670101002', '530670101003', '530670101004', '530670102001', '530670102002',
          '530670102003', '530670103001', '530670103002', '530670103003', '530670103004', '530670104001',
          '530670104002', '530670104003', '530670105101', '530670105201', '530670105202', '530670105203',
          '530670105204', '530670106001', '530670106002', '530670106003', '530670106004', '530670106005',
          '530670107001', '530670107002', '530670107003', '530670108001', '530670108002', '530670109101',
          '530670109102', '530670109103', '530670110001', '530670111002', '530670112001', '530670113001',
          '530670116211', '530670117101', '530670117102', '530670117103', '530670120002', '530670122121',
          '530670122122', '530670122124', '530670111001', '530670121004']

# enrich the geometries and get a spatially enabled dataframe
enrich_df = usa.enrich(
    study_areas=geom_lst,
    enrich_variables=kv_df,
    standard_geography_level='block_groups'
)