Visualiser des données d'analyse géospatiale à l'aide d'un notebook Colab

Restez organisé à l'aide des collections Enregistrez et classez les contenus selon vos préférences.

Créer un notebook Colab

Ce tutoriel crée un notebook Colab pour visualiser les données d'analyse géospatiale. Vous pouvez ouvrir une version prédéfinie du notebook dans Colab, Colab Enterprise ou BigQuery Studio en cliquant sur les liens en haut de la version GitHub du tutoriel (Visualisation géospatiale BigQuery dans Colab).

1. Ouvrez Colab.

   Ouvrir Colab

2. Dans la boîte de dialogue Ouvrir un notebook, cliquez sur Nouveau notebook.

3. Cliquez sur Untitled0.ipynb et remplacez le nom du notebook par bigquery-geo.ipynb.

4. Sélectionnez Fichier > Enregistrer.

S'authentifier avec Google Cloud et Google Maps

Ce tutoriel interroge des ensembles de données BigQuery et utilise l'API JavaScript de Google Maps. Pour utiliser ces ressources, vous devez authentifier l'environnement d'exécution Colab avec Google Cloud et l'API Maps.

S'authentifier avec Google Cloud

1. Pour insérer une cellule de code, cliquez sur add Code.

2. Pour vous authentifier avec votre projet, saisissez le code suivant:

   # 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)

   Remplacez PROJECT_ID par l'ID du projet.

3. Cliquez sur play_circle_filled Exécuter la cellule.

4. Si vous y êtes invité, cliquez sur Autoriser pour autoriser Colab à accéder à vos identifiants, si vous êtes d'accord.

5. Sur la page Se connecter avec Google, sélectionnez votre compte.

6. Sur la page Se connecter au code de notebook créé par un tiers, cliquez sur Continuer.

7. Sur la page Sélectionner les éléments auxquels le code de notebook créé par un tiers peut accéder, cliquez sur Tout sélectionner, puis sur Continuer.

   Une fois le flux d'autorisation terminé, aucune sortie n'est générée dans votre notebook Colab. La coche à côté de la cellule indique que le code a bien été exécuté.

Facultatif: Authentifier avec Google Maps

Si vous utilisez Google Maps Platform comme fournisseur de cartes pour les cartes de base, vous devez fournir une clé API Google Maps Platform. Le notebook récupère la clé dans vos secrets Colab.

Cette étape n'est nécessaire que si vous utilisez l'API Maps. Si vous ne vous authentifiez pas avec Google Maps Platform, pydeck utilise plutôt la carte carto.

1. Obtenez votre clé API Google Maps en suivant les instructions de la page Utiliser des clés API de la documentation Google Maps.

2. Accédez à votre notebook Colab, puis cliquez sur vpn_key Secrets.

3. Cliquez sur Ajouter un secret.

4. Dans le champ Nom, saisissez GMP_API_KEY.

5. Dans Valeur, saisissez la valeur de la clé API Maps que vous avez générée précédemment.

6. Fermez le panneau Secrets.

7. Pour insérer une cellule de code, cliquez sur add Code.

8. Pour vous authentifier avec l'API Maps, saisissez le code suivant:

   # 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. Lorsque vous y êtes invité, cliquez sur Accorder l'accès pour autoriser le notebook à accéder à votre clé, si vous êtes d'accord.

10. Cliquez sur play_circle_filled Exécuter la cellule.

    Une fois le flux d'autorisation terminé, aucune sortie n'est générée dans votre notebook Colab. La coche à côté de la cellule indique que le code a bien été exécuté.

Installer des packages Python et importer des bibliothèques de data science

En plus des modules Python colabtools (google.colab), ce tutoriel utilise plusieurs autres packages Python et bibliothèques de science des données.

Dans cette section, vous allez installer les packages pydeck et h3. pydeck fournit un rendu spatial à grande échelle en Python, optimisé par deck.gl. h3-py fournit le système d'indexation géospatiale hiérarchique hexagonale H3 d'Uber en Python.

Importez ensuite les bibliothèques h3 et pydeck, ainsi que les bibliothèques géospatiales Python suivantes:

• geopandas pour étendre les types de données utilisés par pandas afin d'autoriser les opérations spatiales sur les types géométriques.
• shapely pour la manipulation et l'analyse d'objets géométriques planaires individuels.
• branca pour générer des cartes de couleurs HTML et JavaScript.
• geemap.deck pour la visualisation avec pydeck et earthengine-api.

Après avoir importé les bibliothèques, vous activez les tables interactives pour les DataFrames pandas dans Colab.

Installer les packages pydeck et h3

1. Pour insérer une cellule de code, cliquez sur add Code.

2. Pour installer les packages pydeck et h3, saisissez le code suivant:

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

3. Cliquez sur play_circle_filled Exécuter la cellule.

   Une fois l'installation terminée, aucune sortie n'est générée dans votre notebook Colab. La coche à côté de la cellule indique que le code a bien été exécuté.

Importer les bibliothèques Python

1. Pour insérer une cellule de code, cliquez sur add Code.

2. Pour importer les bibliothèques Python, saisissez le code suivant:

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

3. Cliquez sur play_circle_filled Exécuter la cellule.

   Une fois le code exécuté, aucune sortie n'est générée dans votre notebook Colab. La coche à côté de la cellule indique que le code s'est exécuté correctement.

Activer les tables interactives pour les DataFrames pandas

1. Pour insérer une cellule de code, cliquez sur add Code.

2. Pour activer les DataFrames pandas, saisissez le code suivant:

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

3. Cliquez sur play_circle_filled Exécuter la cellule.

   Une fois le code exécuté, aucune sortie n'est générée dans votre notebook Colab. La coche à côté de la cellule indique que le code s'est exécuté correctement.

Créer des routines partagées

Dans cette section, vous allez créer deux routines partagées : une routine partagée qui affiche des calques sur une carte de base et une routine partagée qui convertit un DataFrame pandas en DataFrame geopandas.

1. Pour insérer une cellule de code, cliquez sur add Code.

2. Pour créer une routine partagée pour l'affichage des calques sur une carte, saisissez le code suivant:

   # 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. Cliquez sur play_circle_filled Exécuter la cellule.

   Une fois le code exécuté, aucune sortie n'est générée dans votre notebook Colab. La coche à côté de la cellule indique que le code s'est exécuté correctement.

4. Pour insérer une cellule de code, cliquez sur add Code.

5. Pour créer une routine partagée qui convertit un DataFrame pandas en DataFrame geopandas, saisissez le code suivant:

   # 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. Cliquez sur play_circle_filled Exécuter la cellule.

   Une fois le code exécuté, aucune sortie n'est générée dans votre notebook Colab. La coche à côté de la cellule indique que le code s'est exécuté correctement.

Créer un graphique à nuage de points

Dans cette section, vous allez créer un graphique en nuage de points de toutes les stations de vélos en libre-service de l'ensemble de données public Ford GoBike Share de San Francisco en récupérant les données de la table bigquery-public-data.san_francisco_bikeshare.bikeshare_station_info. Le graphique en nuage de points est créé à l'aide d'une couche et d'une couche de nuage de points du framework deck.gl.

Les graphiques en nuage de points sont utiles lorsque vous devez examiner un sous-ensemble de points individuels (également appelé vérification ponctuelle).

L'exemple suivant montre comment utiliser une couche et une couche de nuage de points pour afficher des points individuels sous forme de cercles. Pour afficher les points, vous devez extraire la longitude et la latitude sous la forme de coordonnées x et y à partir de la colonne station_geom de l'ensemble de données sur le vélo en libre-service.

Les coordonnées sont extraites en convertissant les données en DataFrame geopandas, qui convertit chaque élément de la colonne station_geom en objet shapely. shapely fournit des méthodes et des propriétés Python qui vous permettent d'extraire des composants tels que x et y.

1. Pour insérer une cellule de code, cliquez sur add Code.

2. Pour interroger l'ensemble de données public Ford GoBike Share de San Francisco, saisissez le code suivant. Ce code utilise la fonction magique %%bigquery pour exécuter la requête et renvoyer les résultats dans un DataFrame:

   # 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. Cliquez sur play_circle_filled Exécuter la cellule.

   Le résultat ressemble à ce qui suit :

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

4. Pour insérer une cellule de code, cliquez sur add Code.

5. Pour convertir les données en DataFrame geopandas, saisissez le code suivant:

   # 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. Cliquez sur play_circle_filled Exécuter la cellule.

   Le résultat doit se présenter sous la forme suivante :

   <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. Pour insérer une cellule de code, cliquez sur add Code.

8. Pour prévisualiser les cinq premières lignes du DataFrame, saisissez le code suivant:

   # Preview the first five rows
   gdf_sf_bikestations.head()

9. Cliquez sur play_circle_filled Exécuter la cellule.

   Le résultat ressemble à ce qui suit :

   

10. Pour insérer une cellule de code, cliquez sur add Code.

11. Pour extraire les valeurs de longitude et de latitude de la colonne station_geom, saisissez le code suivant:

    # 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. Cliquez sur play_circle_filled Exécuter la cellule.

    Une fois le code exécuté, aucune sortie n'est générée dans votre notebook Colab. La coche à côté de la cellule indique que le code s'est exécuté correctement.

13. Pour insérer une cellule de code, cliquez sur add Code.

14. Pour afficher le graphique en nuage de points des stations de vélos en libre-service en fonction des valeurs de longitude et de latitude que vous avez extraites précédemment, saisissez le code suivant:

    # 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. Cliquez sur play_circle_filled Exécuter la cellule.

    Le résultat ressemble à ce qui suit :

    

Visualiser des polygones

Les analyses géospatiales vous permettent d'analyser et de visualiser des données géospatiales dans BigQuery à l'aide de types de données GEOGRAPHY et de fonctions de géographie GoogleSQL.

Le type de données GEOGRAPHY dans l'analyse géospatiale est un ensemble de points, de polylignes et de polygones, représenté sous la forme d'un jeu de points, ou d'un sous-ensemble de la surface de la Terre. Un type GEOGRAPHY peut contenir des objets tels que les suivants:

• Points
• Lignes
• Polygones
• Multipolygones

Pour obtenir la liste de tous les objets acceptés, consultez la documentation sur le type GEOGRAPHY.

Si vous disposez de données géospatiales sans connaître les formes attendues, vous pouvez les visualiser pour les découvrir. Vous pouvez visualiser des formes en convertissant les données géographiques au format GeoJSON. Vous pouvez ensuite visualiser les données GeoJSON à l'aide d'une couche GeoJSON du framework deck.gl.

Dans cette section, vous allez interroger les données géographiques de l'ensemble de données "Quartiers de San Francisco", puis visualiser les polygones.

1. Pour insérer une cellule de code, cliquez sur add Code.

2. Pour interroger les données géographiques de la table bigquery-public-data.san_francisco_neighborhoods.boundaries dans l'ensemble de données "Quartiers de San Francisco", saisissez le code suivant. Ce code utilise la fonction magique %%bigquery pour exécuter la requête et renvoyer les résultats dans un DataFrame:

   # 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. Cliquez sur play_circle_filled Exécuter la cellule.

   Le résultat ressemble à ce qui suit :

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

4. Pour insérer une cellule de code, cliquez sur add Code.

5. Pour convertir les résultats au format geopandas, saisissez le code suivant:

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

6. Cliquez sur play_circle_filled Exécuter la cellule.

   Les résultats doivent se présenter sous la forme suivante :

   <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. Pour prévisualiser la première ligne du DataFrame, saisissez le code suivant:

   # Preview the first row
   gdf_sanfrancisco_neighborhoods.head(1)

8. Cliquez sur play_circle_filled Exécuter la cellule.

   Le résultat ressemble à ce qui suit :

   

   Dans les résultats, vous pouvez voir que les données sont un polygone.

9. Pour insérer une cellule de code, cliquez sur add Code.

10. Pour visualiser les polygones, saisissez le code suivant. pydeck permet de convertir chaque instance d'objet shapely de la colonne de géométrie au format GeoJSON:

    # 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. Cliquez sur play_circle_filled Exécuter la cellule.

    Le résultat ressemble à ce qui suit :

    

Créer une carte choroplèthe

Si vous explorez des données avec des polygones difficiles à convertir au format GeoJSON, vous pouvez utiliser une couche de polygones du framework deck.gl à la place. Un calque de polygone peut traiter des données d'entrée de types spécifiques, tels qu'un tableau de points.

Dans cette section, vous allez utiliser une couche de polygones pour afficher un tableau de points et utiliser les résultats pour afficher une carte choroplèthe. La carte choroplèthe montre la densité des stations de vélos en libre-service par quartier en joignant les données de l'ensemble de données "Quartiers de San Francisco" à celles de l'ensemble de données "San Francisco Ford GoBike Share".

1. Pour insérer une cellule de code, cliquez sur add Code.

2. Pour agréger et compter le nombre de bornes par quartier, et créer une colonne polygon contenant un tableau de points, saisissez le code suivant:

   # 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. Cliquez sur play_circle_filled Exécuter la cellule.

   Une fois le code exécuté, aucune sortie n'est générée dans votre notebook Colab. La coche à côté de la cellule indique que le code s'est exécuté correctement.

4. Pour insérer une cellule de code, cliquez sur add Code.

5. Pour ajouter une colonne fill_color pour chacun des polygones, saisissez le code suivant:

   # 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. Cliquez sur play_circle_filled Exécuter la cellule.

   Une fois le code exécuté, aucune sortie n'est générée dans votre notebook Colab. La coche à côté de la cellule indique que le code s'est exécuté correctement.

7. Pour insérer une cellule de code, cliquez sur add Code.

8. Pour afficher le calque de polygones, saisissez le code suivant:

   # 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. Cliquez sur play_circle_filled Exécuter la cellule.

   Le résultat ressemble à ce qui suit :

   

Créer une carte de densité

Les cartes choroplèthes sont utiles lorsque vous disposez de limites pertinentes connues. Si vous disposez de données sans limites significatives connues, vous pouvez utiliser une couche de carte thermique pour afficher sa densité continue.

Dans l'exemple suivant, vous interrogez les données de la table bigquery-public-data.san_francisco_sfpd_incidents.sfpd_incidents de l'ensemble de données des rapports du San Francisco Police Department (SFPD). Les données permettent de visualiser la répartition des incidents en 2015.

Pour les cartes de densité, nous vous recommandons de quantifier et d'agréger les données avant le rendu. Dans cet exemple, les données sont quantifiées et agrégées à l'aide de l'indexation spatiale H3 de Carto. La carte de densité est créée à l'aide d'un calque de carte de densité du framework deck.gl.

Dans cet exemple, la quantification est effectuée à l'aide de la bibliothèque Python h3 pour agréger les points d'incident en hexagones. La fonction h3.latlng_to_cell permet de mapper la position de l'incident (latitude et longitude) sur un indice de cellule H3. Une résolution H3 de neuf fournit suffisamment d'hexagones agrégés pour la carte thermique. La fonction h3.cell_to_latlng permet de déterminer le centre de chaque hexagone.

1. Pour insérer une cellule de code, cliquez sur add Code.

2. Pour interroger les données de l'ensemble de données "Rapports du San Francisco Police Department (SFPD)", saisissez le code suivant. Ce code utilise la fonction magique %%bigquery pour exécuter la requête et renvoyer les résultats dans un DataFrame:

   # 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. Cliquez sur play_circle_filled Exécuter la cellule.

   Le résultat ressemble à ce qui suit :

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

4. Pour insérer une cellule de code, cliquez sur add Code.

5. Pour convertir les résultats en DataFrame geopandas, saisissez le code suivant:

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

6. Cliquez sur play_circle_filled Exécuter la cellule.

   Une fois le code exécuté, aucune sortie n'est générée dans votre notebook Colab. La coche à côté de la cellule indique que le code s'est exécuté correctement.

7. Pour insérer une cellule de code, cliquez sur add Code.

8. Pour calculer la cellule pour la latitude et la longitude de chaque incident, agréger les incidents pour chaque cellule, créer un DataFrame geopandas et ajouter le centre de chaque hexagone pour la couche de carte thermique, saisissez le code suivant:

   # 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. Cliquez sur play_circle_filled Exécuter la cellule.

   Le résultat ressemble à ce qui suit :

   <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. Pour insérer une cellule de code, cliquez sur add Code.

11. Pour prévisualiser les cinq premières lignes du DataFrame, saisissez le code suivant:

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

12. Cliquez sur play_circle_filled Exécuter la cellule.

    Le résultat ressemble à ce qui suit :

    

13. Pour insérer une cellule de code, cliquez sur add Code.

14. Pour convertir les données au format JSON pouvant être utilisé par HeatmapLayer, saisissez le code suivant:

    # 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. Cliquez sur play_circle_filled Exécuter la cellule.

    Une fois le code exécuté, aucune sortie n'est générée dans votre notebook Colab. La coche à côté de la cellule indique que le code s'est exécuté correctement.

16. Pour insérer une cellule de code, cliquez sur add Code.

17. Pour afficher la carte thermique, saisissez le code suivant:

    # 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. Cliquez sur play_circle_filled Exécuter la cellule.

    Le résultat ressemble à ce qui suit :