transbigdata-grid

name	transbigdata-grid
description	使用 TransBigData 库进行地理数据栅格化处理。适用于将GPS轨迹数据映射到栅格、生成矩形/三角形/六边形栅格、Geohash编码、栅格参数优化等空间数据分析任务。

TransBigData 栅格化功能指南

TransBigData 是一个用于交通时空大数据处理的 Python 库。本 skill 指导如何使用其栅格化功能。

安装

pip install transbigdata

默认配置

推荐使用方形栅格（矩形栅格），常用精度：

• 500米栅格: accuracy=500 - 适合城市级别分析，平衡精度与计算效率
• 1公里栅格: accuracy=1000 - 适合区域级别分析，数据量较小时使用

import transbigdata as tbd

# 500米方形栅格（默认推荐）
params = tbd.area_to_params(bounds, accuracy=500)

# 1公里方形栅格
params = tbd.area_to_params(bounds, accuracy=1000)

核心概念

栅格化将连续的地理空间划分为离散的网格单元，便于数据聚合和分析。TransBigData 支持三种栅格类型：

• 矩形栅格 (rect): 默认推荐，计算效率高，适合大多数场景
• 三角形栅格 (tri): 适合特定空间分析
• 六边形栅格 (hexa): 各向同性，适合邻域分析

核心函数

1. 生成栅格参数 - area_to_params()

根据研究区域生成栅格化参数。

import transbigdata as tbd

# 从边界框生成参数
bounds = [lon_min, lat_min, lon_max, lat_max]
params = tbd.area_to_params(bounds, accuracy=500)  # 500米精度

# 从 GeoDataFrame 生成参数
params = tbd.area_to_params(gdf, accuracy=500, method='rect')

参数说明:

• location: 边界框 [lon_min, lat_min, lon_max, lat_max] 或 GeoDataFrame
• accuracy: 栅格大小（米）
• method: 'rect'（矩形）、'tri'（三角形）、'hexa'（六边形）

返回值: 栅格参数字典或列表

2. 生成栅格 - area_to_grid()

在指定区域内生成栅格几何对象。

# 生成矩形栅格
grid, params = tbd.area_to_grid(bounds, accuracy=500, method='rect')

# 生成六边形栅格
grid, params = tbd.area_to_grid(gdf, accuracy=500, method='hexa')

返回值: (GeoDataFrame 栅格, 栅格参数)

3. GPS点映射到栅格 - GPS_to_grid()

将经纬度坐标匹配到栅格ID。

# 矩形栅格：返回 LONCOL, LATCOL
data['LONCOL'], data['LATCOL'] = tbd.GPS_to_grid(
    data['longitude'],
    data['latitude'],
    params
)

# 三角形/六边形栅格：返回单一索引
data['grid_id'] = tbd.GPS_to_grid(
    data['longitude'],
    data['latitude'],
    params
)

4. 获取栅格中心 - grid_to_centre()

根据栅格ID获取栅格中心坐标。

# 矩形栅格
data['HBLON'], data['HBLAT'] = tbd.grid_to_centre(
    [data['LONCOL'], data['LATCOL']],
    params
)

# 三角形/六边形栅格
data['HBLON'], data['HBLAT'] = tbd.grid_to_centre(
    data['grid_id'],
    params
)

5. 生成栅格多边形 - grid_to_polygon()

根据栅格ID生成几何多边形。

# 矩形栅格
data['geometry'] = tbd.grid_to_polygon(
    [data['LONCOL'], data['LATCOL']],
    params
)

# 创建 GeoDataFrame
import geopandas as gpd
grid_gdf = gpd.GeoDataFrame(data, geometry='geometry', crs='EPSG:4326')

6. 栅格映射到区域 - grid_to_area()

将栅格数据映射到行政区域等地理多边形。

result = tbd.grid_to_area(grid_data, area_gdf, params)

7. 栅格参数优化 - grid_params_optimize()

优化栅格参数以提高数据分析质量。

optimized_params = tbd.grid_params_optimize(
    trajectory_data,
    params,
    method='centerdist'  # 或 'gini', 'gridscount'
)

优化方法:

• centerdist: 最小化点到栅格中心的距离
• gini: 优化数据分布均匀性
• gridscount: 优化栅格数量

Geohash 编码函数

编码 - geohash_encode()

data['geohash'] = tbd.geohash_encode(
    data['longitude'],
    data['latitude'],
    precision=6  # 精度级别 1-12
)

解码 - geohash_decode()

data['lon'], data['lat'] = tbd.geohash_decode(data['geohash'])

生成 Geohash 栅格 - geohash_togrid()

data['geometry'] = tbd.geohash_togrid(data['geohash'])

完整示例：出租车数据栅格化分析

import pandas as pd
import geopandas as gpd
import transbigdata as tbd

# 1. 加载数据
data = pd.read_csv('taxi_data.csv')

# 2. 定义研究区域边界
bounds = [113.75, 22.4, 114.62, 22.86]  # 深圳市范围

# 3. 生成栅格参数（500米精度）
params = tbd.area_to_params(bounds, accuracy=500)

# 4. 将GPS点映射到栅格
data['LONCOL'], data['LATCOL'] = tbd.GPS_to_grid(
    data['longitude'],
    data['latitude'],
    params
)

# 5. 按栅格聚合数据
grid_agg = data.groupby(['LONCOL', 'LATCOL']).size().reset_index(name='count')

# 6. 生成栅格几何
grid_agg['geometry'] = tbd.grid_to_polygon(
    [grid_agg['LONCOL'], grid_agg['LATCOL']],
    params
)

# 7. 创建 GeoDataFrame 并可视化
grid_gdf = gpd.GeoDataFrame(grid_agg, geometry='geometry', crs='EPSG:4326')
grid_gdf.plot(column='count', cmap='hot', legend=True)

使用建议

1. 栅格精度选择（推荐方形栅格）:
   • 500米: 城市交通分析、出租车/共享单车热点分析（默认推荐）
   • 1公里: 区域宏观分析、跨城市比较
2. 栅格类型: 优先使用矩形栅格（method='rect'），计算效率最高
3. 参数优化: 对于精确分析，使用 grid_params_optimize() 优化参数
4. 内存管理: 处理大数据时，先用采样数据确定参数，再处理全量数据

常见问题

Q: 如何选择 Geohash 精度？ A: 精度越高越精确但字符串越长。常用精度：

• 6: 约 1.2km × 0.6km
• 7: 约 150m × 150m
• 8: 约 38m × 19m

Q: 栅格参数可以复用吗？ A: 可以。使用 grid_to_params() 从已有栅格数据重新生成参数。

参考文档

完整文档: https://transbigdata.readthedocs.io/en/latest/grids.html