Оценка территории по критерию для гексагональной сетки

[ ]:

import warnings
import sys
import os
warnings.filterwarnings("ignore")
sys.stderr = open(os.devnull, 'w')

# local crs
local_crs = 32636


from popframe.models.region import Region

region_model = Region.from_pickle('data/__popframe_model_cache__/3138.pkl')
# grid = gpd.read_file('/Users/mvin/Code/PopFrame/examples/data/level_3.geojson', engine="pyogrio")
# grid

[2]:

import requests
import geopandas as gpd

def fetch_hexagons(
    territory_id: int,
    centers_only: bool = False,
    base_url: str = 'https://urban-api.idu.kanootoko.org/api/v1/territory/{territory_id}/hexagons'
) -> gpd.GeoDataFrame:
    """
    Запрос гексагонов для заданного territory_id и возвращает их в виде GeoDataFrame.

    :param territory_id: ID территории
    :param centers_only: если True — вернуть только центральные точки гексагонов
    :param base_url: шаблон URL с {territory_id}
    :return: GeoDataFrame с колонками geometry, hexagon_id и свойствами
    """
    # Подставляем ID в URL
    url = base_url.format(territory_id=territory_id)
    params = {
        'centers_only': centers_only
    }

    # Выполняем запрос
    response = requests.get(url, params=params)
    response.raise_for_status()  # вызовет исключение, если код != 200

    # Парсим GeoJSON
    geojson = response.json()
    features = geojson.get('features', [])

    # Строим GeoDataFrame
    # from_features автоматически извлечёт geometry и все свойства
    gdf = gpd.GeoDataFrame.from_features(features)
    # Устанавливаем CRS (WGS84)
    gdf = gdf.set_crs(epsg=4326)

    return gdf

territory_id = 3138  # ID территории для Санкт-Петербурга
gdf_hex = fetch_hexagons(territory_id, centers_only=False)
gdf_hex

[2]:

	geometry	hexagon_id	properties
0	POLYGON ((30.06574 59.67090, 30.07379 59.67194...	157558	{}
1	POLYGON ((30.08770 60.08939, 30.09047 60.09382...	157559	{}
2	POLYGON ((30.37948 59.79270, 30.38759 59.79372...	157560	{}
3	POLYGON ((30.66727 59.76362, 30.66198 59.76704...	157561	{}
4	POLYGON ((30.24918 60.02467, 30.25198 60.02910...	157562	{}
...	...	...	...
2529	POLYGON ((30.45791 60.02272, 30.46608 60.02376...	160087	{}
2530	POLYGON ((30.23231 59.84322, 30.23764 59.83983...	160088	{}
2531	POLYGON ((29.50097 60.20315, 29.49286 60.20206...	160089	{}
2532	POLYGON ((30.74536 59.75700, 30.74007 59.76043...	160090	{}
2533	POLYGON ((30.17198 60.10435, 30.17477 60.10878...	160091	{}

2534 rows × 3 columns

[3]:

import requests
import geopandas as gpd

def fetch_mo(
    territory_id: int,
    centers_only: bool = False,
    base_url: str = 'https://urban-api.idu.kanootoko.org/api/v1/territory/indicator_values'
) -> gpd.GeoDataFrame:
    """
    Запрос гексагонов для заданного territory_id и возвращает их в виде GeoDataFrame.

    :param territory_id: ID территории
    :param centers_only: если True — вернуть только центральные точки гексагонов
    :param base_url: шаблон URL с {territory_id}
    :return: GeoDataFrame с колонками geometry, hexagon_id и свойствами
    """
    # Подставляем ID в URL
    url = base_url.format(territory_id=territory_id)
    params = {
        'parent_id': territory_id,  # ID родительской территории (1 для МО)
        'indicator_ids' : 1
    }

    # Выполняем запрос
    response = requests.get(url, params=params)
    response.raise_for_status()  # вызовет исключение, если код != 200

    # Парсим GeoJSON
    geojson = response.json()
    features = geojson.get('features', [])

    # Строим GeoDataFrame
    # from_features автоматически извлечёт geometry и все свойства
    gdf = gpd.GeoDataFrame.from_features(features)
    # Устанавливаем CRS (WGS84)
    gdf = gdf.set_crs(epsg=4326)

    return gdf

territory_id = 3138  # ID территории для Санкт-Петербурга
gdf_mo = fetch_mo(territory_id, centers_only=False)
gdf_mo['population'] = gdf_mo['indicators'].apply(lambda lst: lst[0].get('value'))


gdf_mo

[3]:

	geometry	territory_id	name	indicators	population
0	MULTIPOLYGON (((30.25023 59.90129, 30.25112 59...	3153	Адмиралтейский район	[{'name_full': 'Численность населения', 'measu...	155981.0
1	MULTIPOLYGON (((30.17787 59.94437, 30.17790 59...	3145	Василеостровский район	[{'name_full': 'Численность населения', 'measu...	206680.0
2	MULTIPOLYGON (((30.07078 60.09625, 30.07421 60...	3144	Выборгский район	[{'name_full': 'Численность населения', 'measu...	541590.0
3	MULTIPOLYGON (((30.34398 59.97727, 30.34399 59...	3152	Калининский район	[{'name_full': 'Численность населения', 'measu...	536794.0
4	MULTIPOLYGON (((30.16152 59.87428, 30.16152 59...	3151	Кировский район	[{'name_full': 'Численность населения', 'measu...	335774.0
5	MULTIPOLYGON (((30.43875 59.82757, 30.44219 59...	3156	Колпинский район	[{'name_full': 'Численность населения', 'measu...	186169.0
6	MULTIPOLYGON (((30.39428 59.92902, 30.39591 59...	3150	Красногвардейский район	[{'name_full': 'Численность населения', 'measu...	366971.0
7	MULTIPOLYGON (((30.03496 59.71785, 30.04047 59...	3155	Красносельский район	[{'name_full': 'Численность населения', 'measu...	431546.0
8	MULTIPOLYGON (((29.54157 60.04248, 29.54184 60...	3141	Кронштадтский район	[{'name_full': 'Численность населения', 'measu...	44414.0
9	MULTIPOLYGON (((29.42576 60.19074, 29.42719 60...	3140	Курортный район	[{'name_full': 'Численность населения', 'measu...	83491.0
10	MULTIPOLYGON (((30.19877 59.80161, 30.19888 59...	3148	Московский район	[{'name_full': 'Численность населения', 'measu...	335221.0
11	MULTIPOLYGON (((30.36331 59.91387, 30.36350 59...	3146	Невский район	[{'name_full': 'Численность населения', 'measu...	547896.0
12	MULTIPOLYGON (((30.21013 59.97234, 30.21024 59...	3142	Петроградский район	[{'name_full': 'Численность населения', 'measu...	115757.0
13	MULTIPOLYGON (((29.64754 59.92986, 29.64792 59...	3147	Петродворцовый район	[{'name_full': 'Численность населения', 'measu...	134148.0
14	MULTIPOLYGON (((29.95527 60.03782, 29.95528 60...	3139	Приморский район	[{'name_full': 'Численность населения', 'measu...	699243.0
15	MULTIPOLYGON (((30.21822 59.67307, 30.22257 59...	3149	Пушкинский район	[{'name_full': 'Численность населения', 'measu...	263732.0
16	MULTIPOLYGON (((30.33258 59.91305, 30.33284 59...	3154	Фрунзенский район	[{'name_full': 'Численность населения', 'measu...	413983.0
17	MULTIPOLYGON (((30.30827 59.94106, 30.30908 59...	3143	Центральный район	[{'name_full': 'Численность населения', 'measu...	200654.0

[4]:

import pandas as pd
all_gdfs = []

# 2. Перебираем все territory_id из уже имеющегося gdf_mo:
for parent_tid in gdf_mo['territory_id']:
    # вызываем вашу функцию fetch_mo для каждого района:
    child_gdf = fetch_mo(parent_tid, centers_only=False)

    # При желании можно сохранить «родительский» ID (т. е. ID района из gdf_mo),
    # чтобы потом понимать, к какому району относится каждая запись:
    child_gdf['parent_territory_id'] = parent_tid

    # При необходимости можно добавить и название «родительского» района:
    # например, найдём строку в gdf_mo с данным parent_tid и вытащим её name:
    parent_name = gdf_mo.loc[gdf_mo['territory_id'] == parent_tid, 'name'].iloc[0]
    child_gdf['parent_name'] = parent_name

    # Добавляем полученный GeoDataFrame в список:
    all_gdfs.append(child_gdf)

# 3. После цикла объединяем все GeoDataFrame в один:
#    ignore_index=True — чтобы сбросить индексы и получить «плоскую» таблицу.
combined_gdf = pd.concat(all_gdfs, ignore_index=True)
combined_gdf['population'] = combined_gdf['indicators'].apply(lambda lst: lst[0].get('value'))
combined_gdf

[4]:

	geometry	territory_id	name	indicators	parent_territory_id	parent_name	population
0	MULTIPOLYGON (((30.28180 59.93306, 30.28272 59...	3249	Адмиралтейский округ	[{'name_full': 'Численность населения', 'measu...	3153	Адмиралтейский район	24189.0
1	MULTIPOLYGON (((30.25023 59.90129, 30.25112 59...	3252	Екатерингофский округ	[{'name_full': 'Численность населения', 'measu...	3153	Адмиралтейский район	21890.0
2	MULTIPOLYGON (((30.29074 59.90313, 30.29090 59...	3251	округ Измайловское	[{'name_full': 'Численность населения', 'measu...	3153	Адмиралтейский район	32807.0
3	MULTIPOLYGON (((30.26049 59.91726, 30.26152 59...	3253	округ Коломна	[{'name_full': 'Численность населения', 'measu...	3153	Адмиралтейский район	34026.0
4	MULTIPOLYGON (((30.31777 59.92170, 30.31781 59...	3250	округ Семеновский	[{'name_full': 'Численность населения', 'measu...	3153	Адмиралтейский район	22414.0
...	...	...	...	...	...	...	...
136	MULTIPOLYGON (((30.30827 59.94106, 30.30908 59...	3169	Дворцовый округ	[{'name_full': 'Численность населения', 'measu...	3143	Центральный район	7348.0
137	MULTIPOLYGON (((30.33489 59.95015, 30.33642 59...	3166	Литейный округ	[{'name_full': 'Численность населения', 'measu...	3143	Центральный район	40151.0
138	MULTIPOLYGON (((30.31013 59.93647, 30.31023 59...	3165	округ № 78	[{'name_full': 'Численность населения', 'measu...	3143	Центральный район	9085.0
139	MULTIPOLYGON (((30.35063 59.91524, 30.35178 59...	3168	округ Лиговка-Ямская	[{'name_full': 'Численность населения', 'measu...	3143	Центральный район	19563.0
140	MULTIPOLYGON (((30.35920 59.94408, 30.35920 59...	3170	округ Смольнинское	[{'name_full': 'Численность населения', 'measu...	3143	Центральный район	74205.0

141 rows × 7 columns

[5]:

from popframe.method.city_evaluation import CityPopulationScorer

scorer = CityPopulationScorer(combined_gdf, gdf_hex)


output_list = scorer.run()
scores_df = pd.DataFrame(output_list)
gdf_hex['score'] = scores_df['score']
gdf_hex

[5]:

	geometry	hexagon_id	properties	score
0	POLYGON ((30.06574 59.67090, 30.07379 59.67194...	157558	{}	2.0
1	POLYGON ((30.08770 60.08939, 30.09047 60.09382...	157559	{}	1.0
2	POLYGON ((30.37948 59.79270, 30.38759 59.79372...	157560	{}	3.0
3	POLYGON ((30.66727 59.76362, 30.66198 59.76704...	157561	{}	3.0
4	POLYGON ((30.24918 60.02467, 30.25198 60.02910...	157562	{}	3.0
...	...	...	...	...
2529	POLYGON ((30.45791 60.02272, 30.46608 60.02376...	160087	{}	2.0
2530	POLYGON ((30.23231 59.84322, 30.23764 59.83983...	160088	{}	4.0
2531	POLYGON ((29.50097 60.20315, 29.49286 60.20206...	160089	{}	1.0
2532	POLYGON ((30.74536 59.75700, 30.74007 59.76043...	160090	{}	3.0
2533	POLYGON ((30.17198 60.10435, 30.17477 60.10878...	160091	{}	1.0

2534 rows × 4 columns

[6]:

scores_df

[6]:

	hexagon_id	project	average_population_density	total_population	score	interpretation
0	157558	None	774.7	58652.0	2.0	Территория отличается относительно низкой числ...
1	157559	None	43.9	6021.0	1.0	Территория имеет низкиие показателяи численнос...
2	157560	None	318.5	132978.0	3.0	Территория имеет средние показатели численност...
3	157561	None	631.2	143914.0	3.0	Территория имеет средние показатели численност...
4	157562	None	2387.6	114257.0	3.0	Территория имеет средние показатели численност...
...	...	...	...	...	...	...
2529	160087	None	904.0	75180.0	2.0	Территория отличается относительно низкой числ...
2530	160088	None	4223.5	71589.0	4.0	Территория имеет высокие показатели численност...
2531	160089	None	33.4	1668.0	1.0	Территория имеет низкиие показателяи численнос...
2532	160090	None	631.2	143914.0	3.0	Территория имеет средние показатели численност...
2533	160091	None	43.9	6021.0	1.0	Территория имеет низкиие показателяи численнос...

2534 rows × 6 columns

[7]:

import matplotlib.pyplot as plt
gdf_hex.plot(
    column='score',
    legend=True,
    figsize=(15,15),
    cmap='RdYlGn'
).set_axis_off()
plt.title(' Санкт-Петербурга (оценка населения)')

plt.show()

../_images/examples_criterion_hex_7_0.png

Население

[ ]:

from popframe.method.territory_evaluation import TerritoryEvaluation

evaluation = TerritoryEvaluation(region=region_model)

results = evaluation.population_criterion(territories_gdf=gdf_hex)
scores_df = pd.DataFrame(results)
scores_df

[ ]:

gdf_hex['score'] = scores_df['score']
gdf_hex

	geometry	hexagon_id	properties	score
0	POLYGON ((30.06574 59.6709, 30.07379 59.67194,...	157558	{}	4.0
1	POLYGON ((30.0877 60.08939, 30.09047 60.09382,...	157559	{}	5.0
2	POLYGON ((30.37948 59.7927, 30.38759 59.79372,...	157560	{}	5.0
3	POLYGON ((30.66727 59.76362, 30.66198 59.76704...	157561	{}	5.0
4	POLYGON ((30.24918 60.02467, 30.25198 60.0291,...	157562	{}	5.0
...	...	...	...	...
2529	POLYGON ((30.45791 60.02272, 30.46608 60.02376...	160087	{}	0.0
2530	POLYGON ((30.23231 59.84322, 30.23764 59.83983...	160088	{}	0.0
2531	POLYGON ((29.50097 60.20315, 29.49286 60.20206...	160089	{}	2.0
2532	POLYGON ((30.74536 59.757, 30.74007 59.76043, ...	160090	{}	5.0
2533	POLYGON ((30.17198 60.10435, 30.17477 60.10878...	160091	{}	5.0

2534 rows × 4 columns

[ ]:

import matplotlib.pyplot as plt

# допустим, ваш GeoDataFrame называется gdf и в нём есть колонки 'geometry' и 'score'
fig, ax = plt.subplots(1, 1, figsize=(10, 8))

gdf_hex.plot(
    column='score',          # раскраска по score
    cmap='RdYlGn',           # палитра от Red → Yellow → Green
    linewidth=0.5,           # толщина границ
    edgecolor='grey',        # цвет границ
    legend=True,             # вывод легенды
    legend_kwds={
        'label': "Оценка score",
        'shrink': 0.6
    },
    ax=ax
)

ax.set_title("Санкт-Петербург: оценка территорий по критерию населения", fontsize=15)
ax.set_axis_off()  # убираем оси

plt.show()

../_images/examples_criterion_hex_11_0.png

[ ]:

[ ]:

# grid.to_file("grid_population_score.geojson", driver="GeoJSON")

[ ]:

from popframe.method.territory_evaluation import TerritoryEvaluation

evaluation = TerritoryEvaluation(region=region_model)

results = evaluation.evaluate_territory_location(territories_gdf=gdf_hex)
scores_df = pd.DataFrame(results)
scores_df

	territory	score	interpretation	closest_settlement	closest_settlement1	closest_settlement2
0	None	0	Территория находится за границей агломерации	None	None	None
1	None	5	Территория находится внутри или непосредственн...	поселок Левашово	None	None
2	None	7	Территория находится внутри или непосредственн...	поселок Шушары	None	None
3	None	7	Территория находится внутри или непосредственн...	город Колпино	None	None
4	None	1	Территория находится между основными ядрами си...	None	поселок Парголово	поселок Лисий Нос
...	...	...	...	...	...	...
2529	None	0	Территория находится за границей агломерации	None	None	None
2530	None	1	Территория находится между основными ядрами си...	None	поселок Стрельна	поселок Александровская
2531	None	3	Территория находится внутри или непосредственн...	поселок Молодежное	None	None
2532	None	3	Территория находится внутри или непосредственн...	поселок Саперный	None	None
2533	None	5	Территория находится внутри или непосредственн...	поселок Левашово	None	None

2534 rows × 6 columns

[ ]:

gdf_hex['score_2'] = scores_df['score']
gdf_hex

	geometry	hexagon_id	properties	score	score_2
0	POLYGON ((30.06574 59.6709, 30.07379 59.67194,...	157558	{}	4.0	0
1	POLYGON ((30.0877 60.08939, 30.09047 60.09382,...	157559	{}	5.0	5
2	POLYGON ((30.37948 59.7927, 30.38759 59.79372,...	157560	{}	5.0	7
3	POLYGON ((30.66727 59.76362, 30.66198 59.76704...	157561	{}	5.0	7
4	POLYGON ((30.24918 60.02467, 30.25198 60.0291,...	157562	{}	5.0	1
...	...	...	...	...	...
2529	POLYGON ((30.45791 60.02272, 30.46608 60.02376...	160087	{}	0.0	0
2530	POLYGON ((30.23231 59.84322, 30.23764 59.83983...	160088	{}	0.0	1
2531	POLYGON ((29.50097 60.20315, 29.49286 60.20206...	160089	{}	2.0	3
2532	POLYGON ((30.74536 59.757, 30.74007 59.76043, ...	160090	{}	5.0	3
2533	POLYGON ((30.17198 60.10435, 30.17477 60.10878...	160091	{}	5.0	5

2534 rows × 5 columns

[ ]:

import geopandas as gpd
import matplotlib.pyplot as plt

# допустим, ваш GeoDataFrame называется gdf и в нём есть колонки 'geometry' и 'score'
fig, ax = plt.subplots(1, 1, figsize=(10, 8))

gdf_hex.plot(
    column='score_2',          # раскраска по score
    cmap='RdYlGn',           # палитра от Red → Yellow → Green
    linewidth=0.5,           # толщина границ
    edgecolor='grey',        # цвет границ
    legend=True,             # вывод легенды
    legend_kwds={
        'label': "Оценка score",
        'shrink': 0.6
    },
    ax=ax
)

ax.set_title("Карта оценки score_2")
ax.set_axis_off()  # убираем оси

plt.show()

../_images/examples_criterion_hex_16_0.png