geopandas.GeoDataFrame.sjoin#

GeoDataFrame.sjoin(df, how='inner', predicate='intersects', lsuffix='left', rsuffix='right', **kwargs)[来源]#

两个GeoDataFrames的空间连接。

有关详细信息，请参阅用户指南页面合并数据。

Parameters:

dfGeoDataFrame

howstring, default ‘inner’

连接的类型：

‘left’: 使用 left_df 的键；仅保留 left_df 几何列
‘right’: 使用来自 right_df 的键；仅保留 right_df 的几何列
‘inner’: 使用两个数据框的键的交集；仅保留left_df几何列

predicatestring, default ‘intersects’

二元谓词。有效值由所使用的空间索引决定。您可以在 left_df.sindex.valid_query_predicates 或 right_df.sindex.valid_query_predicates 中检查有效值

lsuffixstring, default ‘left’

应用于重叠列名的后缀（左侧GeoDataFrame）。

rsuffixstring, default ‘right’

应用于重叠列名的后缀（右侧GeoDataFrame）。

distancenumber or array_like, optional

在每个输入几何图形周围查询树的距离(s)，用于'dwithin'谓词。如果是类似数组，必须是一维的，且长度等于左侧GeoDataFrame的长度。如果predicate='dwithin'，则为必填项。

on_attributestring, list or tuple

作为空间谓词的附加连接限制的连接列名。这些列名必须在两个数据框中都存在。如果设置了此选项，观察结果仅在谓词适用且指定列中的值匹配时进行连接。

另请参阅

GeoDataFrame.sjoin_nearest: 最近邻连接
sjoin: 等效的顶级函数

笔记

GeoPandas中的每个操作都是平面的，即不考虑潜在的第三维度。

示例

>>> import geodatasets
>>> chicago = geopandas.read_file(
...     geodatasets.get_path("geoda.chicago_commpop")
... )
>>> groceries = geopandas.read_file(
...     geodatasets.get_path("geoda.groceries")
... ).to_crs(chicago.crs)

>>> chicago.head()  
         community  ...                                           geometry
        DOUGLAS  ...  MULTIPOLYGON (((-87.60914 41.84469, -87.60915 ...
        OAKLAND  ...  MULTIPOLYGON (((-87.59215 41.81693, -87.59231 ...
    FULLER PARK  ...  MULTIPOLYGON (((-87.62880 41.80189, -87.62879 ...
GRAND BOULEVARD  ...  MULTIPOLYGON (((-87.60671 41.81681, -87.60670 ...
        KENWOOD  ...  MULTIPOLYGON (((-87.59215 41.81693, -87.59215 ...

[5 行 x 9 列]

>>> groceries.head()  
   OBJECTID     Ycoord  ...  Category                           geometry
0        16  41.973266  ...       NaN  MULTIPOINT ((-87.65661 41.97321))
1        18  41.696367  ...       NaN  MULTIPOINT ((-87.68136 41.69713))
2        22  41.868634  ...       NaN  MULTIPOINT ((-87.63918 41.86847))
3        23  41.877590  ...       new  MULTIPOINT ((-87.65495 41.87783))
4        27  41.737696  ...       NaN  MULTIPOINT ((-87.62715 41.73623))
[5 rows x 8 columns]

>>> groceries_w_communities = groceries.sjoin(chicago)
>>> groceries_w_communities[["OBJECTID", "community", "geometry"]].head()
   OBJECTID       community                           geometry
0        16          UPTOWN  MULTIPOINT ((-87.65661 41.97321))
1        18     MORGAN PARK  MULTIPOINT ((-87.68136 41.69713))
2        22  NEAR WEST SIDE  MULTIPOINT ((-87.63918 41.86847))
3        23  NEAR WEST SIDE  MULTIPOINT ((-87.65495 41.87783))
4        27         CHATHAM  MULTIPOINT ((-87.62715 41.73623))

geopandas.GeoDataFrame.sjoin#

这一页