本文示例代码及数据已上传至我的
Github仓库https://github.com/CNFeffery/DataScienceStudyNotes
1 简介
最近一段时间（本文写作于2020-07-10）geopandas与geoplot两个常用的GIS类Python库都进行了一系列较为重大的内容更新，新增了一些特性，本文就将针对其中比较实际的新特性进行介绍。
2 geopandas&geoplot近期重要更新内容
2.1 geopandas近期重要更新
2.1.1 新增高性能文件格式
从geopandas0.8.0版本开始，在矢量文件读写方面，新增了.feather与.parquet两种崭新的数据格式，他们都是Apache Arrow项目下的重要数据格式，提供高性能文件存储服务，使得我们可以既可以快速读写文件，又可以显著减少文件大小，做到了“多快好省”：
图1
在将geopandas更新到0.8.0版本后，便新增了read_feather()、to_feather()、read_parquet()以及to_parquet()这四个API，但要注意，这些新功能依赖于pyarrow，首先请确保pyarrow被正确安装，推荐使用conda install -c conda-forge pyarrow来安装。
安装完成后，我们就来一睹这些新功能的效率如何，首先我们创建一个足够大的虚拟表（200万行11列），并为其新增点要素矢量列：
代码语言：javascript复制import numpy as np
from shapely.geometry import Point
import pandas as pd
from tqdm.notebook import tqdm
# 创建虚拟表，其中字段名为了导出shapefile不报错加上非数字的前缀
base = pd.DataFrame(np.column_stack([np.random.randint(1, 100, (2000000, 10)),
np.random.uniform(-90, 90, (2000000, 2))]),
columns=['_' str(i) for i in range(12)])
tqdm.pandas() # 开启apply进度条
base['geometry'] = base.progress_apply(lambda row: Point(row['_10'], row['_11']), axis=1) # 添加矢量列
base = gpd.GeoDataFrame(base, crs='EPSG:4326') # 转换为GeoDataFrame 最终得到一个较为庞大的GeoDataFrame，接着我们分别测试geopandas读写shapefile、feather以及parquet三种数据格式的耗时及文件占硬盘空间大小：
图2
图3
具体的性能比较结果如下，可以看到与原始的shapefile相比，feather与parquet取得了非常卓越的性能提升，且parquet的文件体积非常小：
类型 | 写出耗时 | 读入耗时 | 写出文件大小 |
|---|---|---|---|
shapefile | 325秒 | 96秒 | 619MB |
feather | 50秒 | 25.7秒 | 128MB |
parquet | 52.4秒 | 26秒 | 81.2MB |
所以当你要存储的矢量数据规模较大时，可以尝试使用feather和parquet来代替传统的文件格式。
2.2 geoplot近期重要更新
2.2.1 webplot在线底图切换方式升级
在之前我们出品的基于geopandas的空间数据分析系列文章中的geoplot篇(上)中，对可以添加在线底图的webplot()进行过介绍，但在先前的版本中只能使用固定的少数几种内置的在线地图，而在最近的版本中，webplot()的底图叠加方式进行了非常大的调整，使得可以利用参数provider来像folium那样自由切换底图，其传入格式为：
{
'url': 地图源url,
'attribution': 自定义字符串，必填
}譬如我们可以在一个神奇的网站 http://openwhatevermap.xyz/#3/-60.50/167.87 上点击自己感兴趣的地图样式：
图4
将对应的url和自定义的attribution传入webplot()中：
图5
图6
你也可以利用下面的方式查看contextily中所有内置的底图参数，从中选择你心仪的底图：
图7
