Colab ノートブックを使用して地理空間分析データを可視化する

コレクションでコンテンツを整理 必要に応じて、コンテンツの保存と分類を行います。

Colab ノートブックを作成する

このチュートリアルでは、Colab ノートブックを構築して地理空間分析データを可視化します。Colab、Colab Enterprise、BigQuery Studio でノートブックのビルド済みバージョンを開くには、GitHub バージョンのチュートリアル（Colab での BigQuery 地理空間可視化）の上部にあるリンクをクリックします。

1. Colab を開きます。

   Colab を開く

2. [ノートブックを開く] ダイアログで、[新しいノートブック] をクリックします。

3. [Untitled0.ipynb] をクリックし、ノートブックの名前を bigquery-geo.ipynb に変更します。

4. [File] > [Save] を選択します。

Google Cloud と Google マップによる認証

このチュートリアルでは、BigQuery データセットに対してクエリを実行し、Google Maps JavaScript API を使用します。これらのリソースを使用するには、 Google Cloud と Maps API を使用して Colab ランタイムを認証します。

Google Cloudによる認証

1. コードセルを挿入するには、add [コード] をクリックします。

2. プロジェクトで認証するには、次のコードを入力します。

   # REQUIRED: Authenticate with your project.
   GCP_PROJECT_ID = "PROJECT_ID"  #@param {type:"string"}
   
   from google.colab import auth
   from google.colab import userdata
   
   auth.authenticate_user(project_id=GCP_PROJECT_ID)

   PROJECT_ID は、実際のプロジェクト ID に置き換えます。

3. [play_circle_filled Run cell] をクリックします。

4. プロンプトが表示されたら、[許可] をクリックして、Colab に認証情報へのアクセスを許可します（同意する場合）。

5. [Google でログイン] ページで、アカウントを選択します。

6. [サードパーティ作成ノートブック コードにログイン] ページで、[続行] をクリックします。

7. [Select what third-party authored notebook code can access] で、[Select all] をクリックし、[Continue] をクリックします。

   承認フローを完了しても、Colab ノートブックに出力は生成されません。セルの横にあるチェックマークは、コードが正常に実行されたことを示します。

省略可: Google マップで認証する

ベースマップの地図プロバイダとして Google Maps Platform を使用する場合は、Google Maps Platform API キーを指定する必要があります。ノートブックは、Colab Secrets から鍵を取得します。

この手順は、Maps API を使用している場合にのみ必要です。Google Maps Platform で認証しない場合、pydeck は代わりに carto マップを使用します。

1. Google マップのドキュメントの API キーを使用するページの手順に沿って、Google Maps API キーを取得します。

2. Colab ノートブックに切り替えて、vpn_key [シークレット] をクリックします。

3. [Add new secret] をクリックします。

4. [名前] に「GMP_API_KEY」と入力します。

5. [値] に、前に生成した Maps API キーの値を入力します。

6. [シークレット] パネルを閉じます。

7. コードセルを挿入するには、add [コード] をクリックします。

8. Maps API で認証を行うには、次のコードを入力します。

   # Authenticate with the Google Maps JavaScript API.
   GMP_API_SECRET_KEY_NAME = "GMP_API_KEY" #@param {type:"string"}
   
   if GMP_API_SECRET_KEY_NAME:
     GMP_API_KEY = userdata.get(GMP_API_SECRET_KEY_NAME) if GMP_API_SECRET_KEY_NAME else None
   else:
     GMP_API_KEY = None

9. プロンプトが表示されたら、[アクセス権を付与] をクリックして、ノートブックにキーへのアクセス権を付与します（同意する場合）。

10. [play_circle_filled Run cell] をクリックします。

    承認フローを完了しても、Colab ノートブックに出力は生成されません。セルの横にあるチェックマークは、コードが正常に実行されたことを示します。

Python パッケージをインストールしてデータ サイエンス ライブラリをインポートする

このチュートリアルでは、colabtools（google.colab）Python モジュールに加えて、他のいくつかの Python パッケージとデータ サイエンス ライブラリを使用します。

このセクションでは、pydeck パッケージと h3 パッケージをインストールします。pydeck は、deck.gl を活用した Python での大規模な空間レンダリングを提供します。h3-py は、Uber の H3 六角形階層地理空間インデックス システムを Python で提供します。

次に、h3 ライブラリと pydeck ライブラリと、次の Python 地理空間ライブラリをインポートします。

• geopandas: pandas で使用されるデータ型を拡張し、ジオメトリック タイプに対する空間オペレーションを可能にします。
• shapely: 個々の平面ジオメトリ オブジェクトの操作と分析。
• branca: HTML と JavaScript のカラーマップを生成します。
• pydeck と earthengine-api による可視化の場合は geemap.deck。

ライブラリをインポートしたら、Colab の pandas DataFrame でインタラクティブ テーブルを有効にします。

pydeck パッケージと h3 パッケージをインストールする

1. コードセルを挿入するには、add [コード] をクリックします。

2. pydeck パッケージと h3 パッケージをインストールするには、次のコードを入力します。

   # Install pydeck and h3.
   !pip install pydeck>=0.9 h3>=4.2

3. [play_circle_filled Run cell] をクリックします。

   インストールが完了しても、Colab ノートブックに出力は生成されません。セルの横にあるチェックマークは、コードが正常に実行されたことを示します。

Python ライブラリをインポートする

1. コードセルを挿入するには、add [コード] をクリックします。

2. Python ライブラリをインポートするには、次のコードを入力します。

   # Import data science libraries.
   import branca
   import geemap.deck as gmdk
   import h3
   import pydeck as pdk
   import geopandas as gpd
   import shapely

3. [play_circle_filled Run cell] をクリックします。

   コードを実行しても、Colab ノートブックに出力は生成されません。セルの横にあるチェックマークは、コードが正常に実行されたことを示します。

pandas DataFrame のインタラクティブ テーブルを有効にする

1. コードセルを挿入するには、add [コード] をクリックします。

2. pandas DataFrame を有効にするには、次のコードを入力します。

   # Enable displaying pandas data frames as interactive tables by default.
   from google.colab import data_table
   data_table.enable_dataframe_formatter()

3. [play_circle_filled Run cell] をクリックします。

   コードを実行しても、Colab ノートブックに出力は生成されません。セルの横にあるチェックマークは、コードが正常に実行されたことを示します。

共有ルーティンを作成する

このセクションでは、2 つの共有ルーティンを作成します。ベースマップ上にレイヤをレンダリングする共有ルーティンと、pandas DataFrame を geopandas DataFrame に変換する共有ルーティンです。

1. コードセルを挿入するには、add [コード] をクリックします。

2. 地図上にレイヤをレンダリングする共有ルーティンを作成するには、次のコードを入力します。

   # Set Google Maps as the base map provider.
   MAP_PROVIDER_GOOGLE = pdk.bindings.base_map_provider.BaseMapProvider.GOOGLE_MAPS.value
   
   # Shared routine for rendering layers on a map using geemap.deck.
   def display_pydeck_map(layers, view_state, **kwargs):
     deck_kwargs = kwargs.copy()
   
     # Use Google Maps as the base map only if the API key is provided.
     if GMP_API_KEY:
       deck_kwargs.update({
         "map_provider": MAP_PROVIDER_GOOGLE,
         "map_style": pdk.bindings.map_styles.GOOGLE_ROAD,
         "api_keys": {MAP_PROVIDER_GOOGLE: GMP_API_KEY},
       })
   
     m = gmdk.Map(initial_view_state=view_state, ee_initialize=False, **deck_kwargs)
   
     for layer in layers:
       m.add_layer(layer)
     return m

3. [play_circle_filled Run cell] をクリックします。

   コードを実行しても、Colab ノートブックに出力は生成されません。セルの横にあるチェックマークは、コードが正常に実行されたことを示します。

4. コードセルを挿入するには、add [コード] をクリックします。

5. pandas DataFrame を geopandas DataFrame に変換する共有ルーティンを作成するには、次のコードを入力します。

   # Shared routine for converting a pandas dataframe to a GeoPandas dataframe.
   def pandas_to_geopandas(df, geometry_column='geometry'):
   
     # Use shapely library to parse WKT strings into shapely Geometry based
     # objects
     df[geometry_column] = df[geometry_column].dropna().apply(shapely.from_wkt)
   
     # Convert to a geopandas Dataframe
     return gpd.GeoDataFrame(df, geometry=geometry_column, crs='EPSG:4326')
     

6. [play_circle_filled Run cell] をクリックします。

   コードを実行しても、Colab ノートブックに出力は生成されません。セルの横にあるチェックマークは、コードが正常に実行されたことを示します。

散布図を作成する

このセクションでは、bigquery-public-data.san_francisco_bikeshare.bikeshare_station_info テーブルからデータを取得して、サンフランシスコの Ford GoBike シェアリング一般公開データセット内のすべての自転車シェアリング ステーションの散布図を作成します。散布図は、deck.gl フレームワークのレイヤと散布図レイヤを使用して作成されます。

散布図は、個々のポイントのサブセットを確認する必要がある場合に便利です（スポットチェックとも呼ばれます）。

次の例は、レイヤと散布図レイヤを使用して個々の点を円としてレンダリングする方法を示しています。ポイントをレンダリングするには、自転車シェアリング データセットの station_geom 列から経度と緯度を x 座標と y 座標として抽出する必要があります。

座標は、データを geopandas DataFrame に変換することで抽出されます。この変換により、station_geom 列の各アイテムが shapely オブジェクトに変換されます。shapely には、x や y などのコンポーネントを抽出できる Python メソッドとプロパティが用意されています。

1. コードセルを挿入するには、add [コード] をクリックします。

2. サンフランシスコの Ford GoBike シェアリング サービスの一般公開データセットをクエリするには、次のコードを入力します。このコードでは、%%bigquery マジック関数を使用してクエリを実行し、結果を DataFrame で返します。

   # Query the station ID, station name, station short name, and station
   # geometry from the bike share dataset.
   # NOTE: In this tutorial, the denormalized 'lat' and 'lon' columns are
   # ignored. They are decomposed components of the geometry.
   %%bigquery df_sanfrancisco_bike_stations --project {GCP_PROJECT_ID}
   
   SELECT
     station_id,
     name,
     short_name,
     station_geom
   FROM
     `bigquery-public-data.san_francisco_bikeshare.bikeshare_station_info`

3. [play_circle_filled Run cell] をクリックします。

   出力は次のようになります。

   Job ID 12345-1234-5678-1234-123456789 successfully executed: 100%

4. コードセルを挿入するには、add [コード] をクリックします。

5. データを geopandas DataFrame に変換するには、次のコードを入力します。

   # Convert the data to a geopandas.GeoDataFrame.
   gdf_sf_bikestations = pandas_to_geopandas(df_sanfrancisco_bike_stations, geometry_column='station_geom')
   gdf_sf_bikestations.info()

6. [play_circle_filled Run cell] をクリックします。

   出力は次のようになります。

   <class 'geopandas.geodataframe.GeoDataFrame'>
   RangeIndex: 472 entries, 0 to 471
   Data columns (total 4 columns):
   #   Column        Non-Null Count  Dtype
   ---  ------        --------------  -----
   0   station_id    472 non-null    object
   1   name          472 non-null    object
   2   short_name    472 non-null    object
   3   station_geom  472 non-null    geometry
   dtypes: geometry(1), object(3)
   memory usage: 14.9+ KB
   

7. コードセルを挿入するには、add [コード] をクリックします。

8. DataFrame の最初の 5 行をプレビューするには、次のコードを入力します。

   # Preview the first five rows
   gdf_sf_bikestations.head()

9. [play_circle_filled Run cell] をクリックします。

   出力は次のようになります。

   

10. コードセルを挿入するには、add [コード] をクリックします。

11. station_geom 列から経度と緯度の値を抽出するには、次のコードを入力します。

    # Extract the longitude (x) and latitude (y) from station_geom.
    gdf_sf_bikestations["longitude"] = gdf_sf_bikestations["station_geom"].x
    gdf_sf_bikestations["latitude"] = gdf_sf_bikestations["station_geom"].y

12. [play_circle_filled Run cell] をクリックします。

    コードを実行しても、Colab ノートブックに出力は生成されません。セルの横にあるチェックマークは、コードが正常に実行されたことを示します。

13. コードセルを挿入するには、add [コード] をクリックします。

14. 前に抽出した経度と緯度の値に基づいて自転車シェアリング ステーションの散布図をレンダリングするには、次のコードを入力します。

    # Render a scatter plot using pydeck with the extracted longitude and
    # latitude columns in the gdf_sf_bikestations geopandas.GeoDataFrame.
    scatterplot_layer = pdk.Layer(
      "ScatterplotLayer",
      id="bike_stations_scatterplot",
      data=gdf_sf_bikestations,
      get_position=['longitude', 'latitude'],
      get_radius=100,
      get_fill_color=[255, 0, 0, 140],  # Adjust color as desired
      pickable=True,
    )
    
    view_state = pdk.ViewState(latitude=37.77613, longitude=-122.42284, zoom=12)
    display_pydeck_map([scatterplot_layer], view_state)

15. [play_circle_filled Run cell] をクリックします。

    出力は次のようになります。

    

ポリゴンを可視化する

地理空間分析では、GEOGRAPHY データ型と GoogleSQL 地理関数を使用して、BigQuery で地理空間データを分析し、可視化できます。

地理空間分析の GEOGRAPHY データ型は、ポイント、LineString、ポリゴンのコレクションであり、ポイントセットまたは地球表面のサブセットとして表されます。GEOGRAPHY 型には、次のようなオブジェクトを含めることができます。

• ポイント
• 線
• ポリゴン
• マルチポリゴン

サポートされているすべてのオブジェクトの一覧については、GEOGRAPHY タイプのドキュメントをご覧ください。

想定されるシェイプがわからない地理空間データが提供されている場合は、データを可視化してシェイプを検出できます。地理データを GeoJSON 形式に変換すると、シェイプを可視化できます。deck.gl フレームワークの GeoJSON レイヤを使用して、GeoJSON データを可視化できます。

このセクションでは、San Francisco Neighborhoods データセットの地理データをクエリし、ポリゴンを可視化します。

1. コードセルを挿入するには、add [コード] をクリックします。

2. San Francisco Neighborhoods データセットの bigquery-public-data.san_francisco_neighborhoods.boundaries テーブルから地理データをクエリするには、次のコードを入力します。このコードでは、%%bigquery マジック関数を使用してクエリを実行し、結果を DataFrame で返します。

   # Query the neighborhood name and geometry from the San Francisco
   # neighborhoods dataset.
   %%bigquery df_sanfrancisco_neighborhoods --project {GCP_PROJECT_ID}
   
   SELECT
     neighborhood,
     neighborhood_geom AS geometry
   FROM
     `bigquery-public-data.san_francisco_neighborhoods.boundaries`

3. [play_circle_filled Run cell] をクリックします。

   出力は次のようになります。

   Job ID 12345-1234-5678-1234-123456789 successfully executed: 100%

4. コードセルを挿入するには、add [コード] をクリックします。

5. 結果を geopandas 形式に変換するには、次のコードを入力します。

   # Convert the query results to geopandas format.
   gdf_sanfrancisco_neighborhoods = pandas_to_geopandas(df_sanfrancisco_neighborhoods)
   gdf_sanfrancisco_neighborhoods.info()

6. [play_circle_filled Run cell] をクリックします。

   結果は次のようになります。

   <class 'geopandas.geodataframe.GeoDataFrame'>
   RangeIndex: 117 entries, 0 to 116
   Data columns (total 2 columns):
   #   Column        Non-Null Count  Dtype
   ---  ------        --------------  -----
   0   neighborhood  117 non-null    object
   1   geometry      117 non-null    geometry
   dtypes: geometry(1), object(1)
   memory usage: 2.0+ KB
   

7. DataFrame の最初の行をプレビューするには、次のコードを入力します。

   # Preview the first row
   gdf_sanfrancisco_neighborhoods.head(1)

8. [play_circle_filled Run cell] をクリックします。

   出力は次のようになります。

   

   結果のデータはポリゴンであることに注意してください。

9. コードセルを挿入するには、add [コード] をクリックします。

10. ポリゴンを可視化するには、次のコードを入力します。pydeck は、ジオメトリ列内の各 shapely オブジェクト インスタンスを GeoJSON 形式に変換するために使用されます。

    # Visualize the polygons.
    geojson_layer = pdk.Layer(
        'GeoJsonLayer',
        id="sf_neighborhoods",
        data=gdf_sanfrancisco_neighborhoods,
        get_line_color=[127, 0, 127, 255],
        get_fill_color=[60, 60, 60, 50],
        get_line_width=100,
        pickable=True,
        stroked=True,
        filled=True,
      )
    view_state = pdk.ViewState(latitude=37.77613, longitude=-122.42284, zoom=12)
    display_pydeck_map([geojson_layer], view_state)

11. [play_circle_filled Run cell] をクリックします。

    出力は次のようになります。

    

階級区分図を作成する

GeoJSON 形式に変換しにくいポリゴンを含むデータを探索する場合は、代わりに deck.gl フレームワークのポリゴン レイヤを使用できます。ポリゴン レイヤは、ポイントの配列など、特定のタイプの入力データを処理できます。

このセクションでは、ポリゴン レイヤを使用してポイントの配列をレンダリングし、その結果を使用して色分け地図をレンダリングします。色分け地図は、San Francisco Neighborhoods データセットと San Francisco Ford GoBike Share データセットのデータを結合して、自転車シェアリング ステーションの密度を地区別に示しています。

1. コードセルを挿入するには、add [コード] をクリックします。

2. 近隣地区ごとの駅の数を集計してカウントし、ポイントの配列を含む polygon 列を作成するには、次のコードを入力します。

   # Aggregate and count the number of stations per neighborhood.
   gdf_count_stations = gdf_sanfrancisco_neighborhoods.sjoin(gdf_sf_bikestations, how='left', predicate='contains')
   gdf_count_stations = gdf_count_stations.groupby(by='neighborhood')['station_id'].count().rename('num_stations')
   gdf_stations_x_neighborhood = gdf_sanfrancisco_neighborhoods.join(gdf_count_stations, on='neighborhood', how='inner')
   
   # To simulate non-GeoJSON input data, create a polygon column that contains
   # an array of points by using the pandas.Series.map method.
   gdf_stations_x_neighborhood['polygon'] = gdf_stations_x_neighborhood['geometry'].map(lambda g: list(g.exterior.coords))

3. [play_circle_filled Run cell] をクリックします。

   コードを実行しても、Colab ノートブックに出力は生成されません。セルの横にあるチェックマークは、コードが正常に実行されたことを示します。

4. コードセルを挿入するには、add [コード] をクリックします。

5. 各ポリゴンに fill_color 列を追加するには、次のコードを入力します。

   # Create a color map gradient using the branch library, and add a fill_color
   # column for each of the polygons.
   colormap = branca.colormap.LinearColormap(
     colors=["lightblue", "darkred"],
     vmin=0,
     vmax=gdf_stations_x_neighborhood['num_stations'].max(),
   )
   gdf_stations_x_neighborhood['fill_color'] = gdf_stations_x_neighborhood['num_stations'] \
     .map(lambda c: list(colormap.rgba_bytes_tuple(c)[:3]) + [0.7 * 255])   # force opacity of 0.7

6. [play_circle_filled Run cell] をクリックします。

   コードを実行しても、Colab ノートブックに出力は生成されません。セルの横にあるチェックマークは、コードが正常に実行されたことを示します。

7. コードセルを挿入するには、add [コード] をクリックします。

8. ポリゴン レイヤをレンダリングするには、次のコードを入力します。

   # Render the polygon layer.
   polygon_layer = pdk.Layer(
     'PolygonLayer',
     id="bike_stations_choropleth",
     data=gdf_stations_x_neighborhood,
     get_polygon='polygon',
     get_fill_color='fill_color',
     get_line_color=[0, 0, 0, 255],
     get_line_width=50,
     pickable=True,
     stroked=True,
     filled=True,
   )
   view_state = pdk.ViewState(latitude=37.77613, longitude=-122.42284, zoom=12)
   display_pydeck_map([polygon_layer], view_state)

9. [play_circle_filled Run cell] をクリックします。

   出力は次のようになります。

   

ヒートマップを作成する

地図上の領域は、意味のある境界が既知の場合に便利です。意味のある境界が不明なデータがある場合は、ヒートマップ レイヤを使用して連続的な密度をレンダリングできます。

次の例では、サンフランシスコ警察署（SFPD）レポート データセットの bigquery-public-data.san_francisco_sfpd_incidents.sfpd_incidents テーブルのデータをクエリします。このデータは、2015 年のインシデントの分布を可視化するために使用されます。

ヒートマップの場合は、レンダリングする前にデータを量子化して集計することをおすすめします。この例では、Carto の H3 空間インデックスを使用してデータが量子化され、集計されます。ヒートマップは、deck.gl フレームワークのヒートマップ レイヤを使用して作成されます。

この例では、h3 Python ライブラリを使用して量子化を行い、インシデント ポイントを六角形に集約します。h3.latlng_to_cell 関数は、インシデントの位置（緯度と経度）を H3 セル インデックスにマッピングするために使用されます。H3 解像度を 9 にすると、ヒートマップ用に十分な集約された六角形が得られます。h3.cell_to_latlng 関数は、各六角形の中心を決定するために使用されます。

1. コードセルを挿入するには、add [コード] をクリックします。

2. サンフランシスコ警察署（SFPD）の報告データセットのデータをクエリするには、次のコードを入力します。このコードでは、%%bigquery マジック関数を使用してクエリを実行し、結果を DataFrame で返します。

   # Query the incident key and location  data from the SFPD reports dataset.
   %%bigquery df_sanfrancisco_incidents_2015  --project {GCP_PROJECT_ID}
   
   SELECT
     unique_key,
     location
   FROM (
     SELECT
       unique_key,
       location, # WKT string
       EXTRACT(YEAR FROM timestamp) AS year,
     FROM `bigquery-public-data.san_francisco_sfpd_incidents.sfpd_incidents` incidents
   )
   WHERE year = 2015

3. [play_circle_filled Run cell] をクリックします。

   出力は次のようになります。

   Job ID 12345-1234-5678-1234-123456789 successfully executed: 100%

4. コードセルを挿入するには、add [コード] をクリックします。

5. 結果を geopandas DataFrame に変換するには、次のコードを入力します。

   # Convert the results into a geopandas.GeoDataFrame.
   gdf_incidents = pandas_to_geopandas(df_sanfrancisco_incidents_2015, geometry_column='location')

6. [play_circle_filled Run cell] をクリックします。

   コードを実行しても、Colab ノートブックに出力は生成されません。セルの横にあるチェックマークは、コードが正常に実行されたことを示します。

7. コードセルを挿入するには、add [コード] をクリックします。

8. 各インシデントの緯度と経度のセルを計算し、各セルのインシデントを集計して geopandas DataFrame を作成し、ヒートマップ レイヤの各六角形の中心を追加するには、次のコードを入力します。

   # Compute the cell for each incident's latitude and longitude.
   H3_RESOLUTION = 9
   gdf_incidents['h3_cell'] = df_sanfrancisco_incidents_2015['location'].apply(
       lambda location: h3.latlng_to_cell(location.y, location.x, H3_RESOLUTION)
   )
   
   # Aggregate the incidents for each hexagon cell.
   count_incidents = gdf_incidents.groupby(by='h3_cell')['unique_key'].count().rename('num_incidents')
   
   # Construct a new geopandas.GeoDataFrame with the aggregate results.
   # Add the center of each hexagon for the HeatmapLayer to render.
   gdf_incidents_x_cell = gpd.GeoDataFrame(data=count_incidents).reset_index()
   gdf_incidents_x_cell['h3_center'] = gdf_incidents_x_cell['h3_cell'].apply(h3.cell_to_latlng)
   gdf_incidents_x_cell.info()

9. [play_circle_filled Run cell] をクリックします。

   出力は次のようになります。

   <class 'geopandas.geodataframe.GeoDataFrame'>
   RangeIndex: 969 entries, 0 to 968
   Data columns (total 3 columns):
   #   Column         Non-Null Count  Dtype
   --  ------         --------------  -----
   0   h3_cell        969 non-null    object
   1   num_incidents  969 non-null    Int64
   2   h3_center      969 non-null    object
   dtypes: Int64(1), object(2)
   memory usage: 23.8+ KB
   

10. コードセルを挿入するには、add [コード] をクリックします。

11. DataFrame の最初の 5 行をプレビューするには、次のコードを入力します。

    # Preview the first five rows.
    gdf_incidents_x_cell.head()

12. [play_circle_filled Run cell] をクリックします。

    出力は次のようになります。

    

13. コードセルを挿入するには、add [コード] をクリックします。

14. データを HeatmapLayer で使用できる JSON 形式に変換するには、次のコードを入力します。

    # Convert to a JSON format recognized by the HeatmapLayer.
    def _make_heatmap_datum(row) -> dict:
      return {
          "latitude": row['h3_center'][0],
          "longitude": row['h3_center'][1],
          "weight": float(row['num_incidents']),
      }
    
    heatmap_data = gdf_incidents_x_cell.apply(_make_heatmap_datum, axis='columns').values.tolist()

15. [play_circle_filled Run cell] をクリックします。

    コードを実行しても、Colab ノートブックに出力は生成されません。セルの横にあるチェックマークは、コードが正常に実行されたことを示します。

16. コードセルを挿入するには、add [コード] をクリックします。

17. ヒートマップをレンダリングするには、次のコードを入力します。

    # Render the heatmap.
    heatmap_layer = pdk.Layer(
      "HeatmapLayer",
      id="sfpd_heatmap",
      data=heatmap_data,
      get_position=['longitude', 'latitude'],
      get_weight='weight',
      opacity=0.7,
      radius_pixels=99,  # this limitation can introduce artifacts (see above)
      aggregation='MEAN',
    )
    view_state = pdk.ViewState(latitude=37.77613, longitude=-122.42284, zoom=12)
    display_pydeck_map([heatmap_layer], view_state)

18. [play_circle_filled Run cell] をクリックします。

    出力は次のようになります。