行政區座標的整理
Table of contents
背景
- 這一系列的工作在整理鄉鎮區所佔的網格座標。從當中得到鄉鎮區相鄰的關係、測站所在地以及其相鄰的鄉鎮區。
- 因為台灣地區行政區有合併、重局部重劃等等修改，所以這一系列的整理會循環進行(互為因果)，以保持資訊的正確性。
網格座標與行政區的對照
- 這2支程式cnty_xy以及dict_xy是從TEDS面源檔案轉成csv(
'areagrid.csv')之後開始轉換的第一步。主要處理幾個問題：- 海上網格：海上可能會有排放量(船舶)，但是沒有行政區劃分。
- 外島網格：外島座標適用不同分區的UTM值，因此需要平移，否則會發生錯誤。
- 名稱：套用新的行政區名稱(
town3.csv) - 結果：
cnty_xy.csv、dict_xy.csv
縣市 cnty_xy.py
- 模組
#kuang@master /nas1/TEDS/teds10_camx/HourlyWeighted/area
#$ cat cnty_xy.py
from pandas import *
import numpy as np
from pypinyin import pinyin, lazy_pinyin
- 輸入檔案、整理海面、外島問題
- 把座標XY值連在一起，方便去除重複值
df = read_csv(fname)
df.loc[df['NSC_SUB'].map(lambda x: type(x)==float and np.isnan(x)==True),'NSC_SUB']='b'
df['nsc2']=[str(x)+y for x,y in zip(df['NSC'],df['NSC_SUB'])]
df.loc[df['DICT'].map(lambda x:np.isnan(x)==True),'DICT']=5300.
df['CNTY']=[str(int(s/100)) for s in list(df['DICT'])]
subX=['44','50','51']
df.loc[df['CNTY'].map(lambda x: x in subX),'UTME']=[x-201500 for x in df.loc[df['CNTY'].map(lambda x: x in subX),'UTME']]
df['YX']=[int(y)+int(x/1000) for x,y in zip(df['UTME'],df['UTMN'])]
- 將中文字形轉成英文拼音
df_cnty=read_csv('cnty.csv')
for i in xrange(len(df_cnty)):
cha=df_cnty.loc[i,'cnty']
ll=lazy_pinyin(cha.decode('big5'))
s=''
for l in ll:
s=s+l
df_cnty.loc[i,'cnty']=s
df_cnty.loc[24,'no']=51
df_cnty.loc[24,'cnty']='lianjiangxian'
d_cnty={x:str(int(y)) for x,y in zip(df_cnty['cnty'],df_cnty['no'])}
d_cnty.update({'xinbeishi':'41','taoyuanshi':'32'})
d_cnty.update({'sea':'53'})
- 取集合以去除重複點
df['YXCO']=[str(x)+str(y) for x,y in zip(df['YX'],df['CNTY'])]
s_xy=list(set(df['YXCO']))
co=[int(x[7:]) for x in s_xy]
yx=[int(x[:7]) for x in s_xy]
x=[i%1000*1000 for i in yx]
y=[int(i/1000)*1000 for i in yx]
df_xyc=DataFrame({'x':x,'xx':x,'y':y,'cnty':co})
- 存檔
d2_cnty={x:y for x,y in zip(d_cnty.values(), d_cnty.keys())}
df_xyc['name']=[d2_cnty[str(i)] for i in df_xyc['cnty']]
df_xyc.set_index('cnty').to_csv('cnty_xy.csv')
鄉鎮區 dict_xy.py
- 這支程式是較新編寫的程式，新的鄉鎮區名稱已經處理好了，可以直接套用(
town3.csv)。 因二者程式非常相近，此處僅介紹其差異。
- 定義海面
kuang@master /nas1/TEDS/teds10_camx/HourlyWeighted/area
$ diff cnty_xy.py dict_xy.py
6,8c6,7
< df.loc[df['NSC_SUB'].map(lambda x: type(x)==float and np.isnan(x)==True),'NSC_SUB']='b'
< df['nsc2']=[str(x)+y for x,y in zip(df['NSC'],df['NSC_SUB'])]
< df.loc[df['DICT'].map(lambda x:np.isnan(x)==True),'DICT']=5300.
---
> df.loc[df['DICT'].map(lambda x:np.isnan(x)==True),'DICT']=5300
> df['DICT']=[int(i) for i in list(df['DICT'])]
- 直接讀取處理好的鄉鎮區名稱，不再自行轉變成拼音
14,26c13,15
< df_cnty=read_csv('cnty.csv')
< for i in xrange(len(df_cnty)):
< cha=df_cnty.loc[i,'cnty']
< ll=lazy_pinyin(cha.decode('big5'))
< s=''
< for l in ll:
< s=s+l
< df_cnty.loc[i,'cnty']=s
< df_cnty.loc[24,'no']=51
< df_cnty.loc[24,'cnty']='lianjiangxian'
< d_cnty={x:str(int(y)) for x,y in zip(df_cnty['cnty'],df_cnty['no'])}
< d_cnty.update({'xinbeishi':'41','taoyuanshi':'32'})
< d_cnty.update({'sea':'53'})
---
> df_cnty=read_csv('town3.csv')
> d_cnty={x:y for x,y in zip(df_cnty['code'],df_cnty['Name'])}
> d_cnty.update({5300:'sea'})
- 變數名稱與結果檔名因應修改
28c17
< df['YXCO']=[str(x)+str(y) for x,y in zip(df['YX'],df['CNTY'])]
---
> df['YXCO']=[str(x)+str(y) for x,y in zip(df['YX'],df['DICT'])]
34c23
< df_xyc=DataFrame({'x':x,'xx':x,'y':y,'cnty':co})
---
> df=DataFrame({'x':x,'xx':x,'y':y,'dict':co})
38,40c27,28
< d2_cnty={x:y for x,y in zip(d_cnty.values(), d_cnty.keys())}
< df_xyc['name']=[d2_cnty[str(i)] for i in df_xyc['cnty']]
< df_xyc.set_index('cnty').to_csv('cnty_xy.csv')
---
> df['name']=[d_cnty[i] for i in df['dict']]
> df.set_index('dict').to_csv('dict_xy.csv')