结合python的一次arcgis等时圈划分实践

最近在研究生活圈，或者说是等时圈，正好结合lbs提供的路线规划接口做一些工作

1、确定坐标系

因为要使用高德的lbs，所以所有的球坐标系都使用GCJ02坐标，同时在arcgis中设置好wmts服务，方便加载底图。

2、建立底图

arcgis中创建两个点图层，origin_pt_gcj02.shp 和 target_pt_gcj02.shp（源点和目标点），其中源点坐标是天津规划院：P。
目标点坐标的思路是这样：以源点为圆心，做一个1000米的缓冲区，然后在缓冲区中以20x20米建立格网，同时建立格网中心点。
选取缓冲区范围内的格网和中心点，分别为net_gcj02.shp, target_pt_gcj02.shp。
把两个点要素文件转成投影坐标，天津记得选51N带，分别为origin_pt_utm.shp 和 target_pt_utm.shp
好，基本的地图已经完成了。

3、使用高德lbs查询

这一块的思路就是，通过lbs，返回每个目标点和源点之间的步行时间（考虑道路实际情况，因为是步行，不考虑路况），然后赋值给点shp文件，用来做进一步可视化和分析处理。

（1）dbf转csv

由于shp文件的数据用dbf文件格式存储，为了方便在pandas中使用，我把他们转成csv格式的文件。
这一步上卡了很久，网上建议使用geopandas，但是我用的是win10系统，pip安geopandas所需的包文件好多都没有win64版本的，包括shapely、fiona啥的。在大牛网站https://www.lfd.uci.edu/~gohlke/pythonlibs/上找到的for win64的wheel文件，各个包单独安装倒是能安上，但是导入包的时候就是各种出错。
由于正规的dbf文件读写涉及sql操作，这是俺的短板，所以先绕着走…回头再改进。
所以我建议老老实实使用dbfread，虽然会出现编码问题，但是提前在读取的时候解决掉，就没问题了，无非是gbk或者utf-8。

# -*- coding: utf-8 -*-
import pandas as pd
from dbfread import DBF
def dbf2csv(filepath):
    path = '/'.join(filepath.split('/')[:-1])
    name = filepath.split('/')[-1]
    table = DBF(filepath)
    df = pd.DataFrame()
    for record in table:
        df = df.append(record, ignore_index=True) # 这里record是一个ordered dict所以能直接append
    filename = name.split('.')[0] + '.csv'
    newpath = path + '/' + filename
    df.to_csv(newpath, index=False)

上面的函数原位把dbf另存成csv文件。

（2）连接lbs，获得目标时间

这里整个数据获取的核心，先贴代码。

# -*- coding: utf-8 -*-

import pandas as pd
import requests
import time

def getduration(df):
    columns=['lng_x', 'lat_y', 'duration']
    newdf = pd.DataFrame(columns=columns)
    counts = len(df)
    for i in range(counts):
        lng_x = df.iloc[i].lng_x
        lat_y = df.iloc[i].lat_y
        print(f"{i} / {counts}")
        param = {
     
                "key": "your key", # 换成你自己的key
                "origin": f"{origin[0]},{origin[1]}",
                "destination": f"{lng_x},{lat_y}"
                }
        try:
            r = requests.get(url, param)
            res = r.json()
            duration = int(res['route']['paths'][0]['duration']) # 只要时长这一项
            data = {
     columns[0]: lng_x,
                    columns[1]: lat_y,
                    columns[2]: duration,
                    }
            newdf = newdf.append(data, ignore_index=True)
        except Exception:
            continue
    return newdf

def writetocsv(df):
    outcsv = f"../data/outfile{time.time}.csv"
    df.to_csv(outcsv, index=False)

def main(df):
    newdf = getduration(df)
    writetocsv(newdf)

if __name__ == "__main__":
    url = r"https://restapi.amap.com/v3/direction/walking?"
    bufferpath = r"../data/buffer_point_gcj02.csv"
    originpath = r"../data/target_gcj02.csv"
    t = pd.read_csv(originpath)
    origin = [round(t.lng_x[0], 6), round(t.lat_y[0], 6)] # origin point
    df = pd.read_csv(bufferpath)
    main(df)

这里偷了个懒，直接把dbf转成csv就直接用了，可以写在脚本中的。
getduration()函数干的就是从网站获取信息，记得加try，以防网络突然挂掉，留个后手。然后通过writetocsv()把数据框架写入csv文件保存。

4、arcgis中加载带有时间信息的点

常规操作了，把生成的csv文件加载进arcgis，然后显示xy，再通过spatial join把信息附加在格网上，记得对应坐标系。
调整显示效果，获得一张天津规划院周边1000米范围的步行等时圈图。

5、总结

缺点：

十分耗费配额，这一个圈，就用了8000多个配额，每天才三万，用不起，用不起。

优点：

快速建立等时圈，不用再费力气构造拓扑网络
可以应用在居住区配套设施生活圈评估、地铁站点周边步行条件评估等其他场景
矢量化数据，可以为后续的可视化或者进一步分析提供比较好的基础

整改：

改进算法，减少目标点，降低lbs耗费
后续进行更大范围的车行等时圈提前研究

完毕。