Пространственное неравенство

[ ]:

# import osmnx as ox
import warnings
import sys
import os
from popframe.models.region import Region
import requests
import geopandas as gpd
import pandas as pd
from tqdm import tqdm

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

Подготовка данных

[ ]:

def preprocess_data(region_id: int, level: int = None) -> gpd.GeoDataFrame:
    """
    Загружает оценки неравенства для всех соцгрупп, вычисляет итоговое
    Пространственное неравенство, подтягивает название и население
    территорий и возвращает итоговый GeoDataFrame.

    Параметры:
        region_id (int): ID региона для запроса оценок.
        level (int, optional): Уровень агрегирования для запроса. По умолчанию None.

    Возвращает:
        GeoDataFrame с колонками:
            - territory_id
            - geometry
            - для каждой соцгруппы: "{name} - Неравенство", "{name} - Неравенство - basic",
              "{name} - Неравенство - additional", "{name} - Неравенство - comfort"
            - "Пространственное неравенство"
            - name (название территории)
            - population (население)
    """
    API_URL = "http://10.32.1.102:5510/provision/{region_id}/get_evaluation"
    URBAN_API = "http://10.32.1.107:5300"
    POP_INDICATOR = 1

    # Список соц‑групп
    social_groups = [
        {"soc_group_id": 1,  "name": "Подростки младшего возраста (14-15)"},
        {"soc_group_id": 2,  "name": "Подростки старшего возраста (16-17)"},
        {"soc_group_id": 3,  "name": "Трудоспособные горожане (18-59)"},
        {"soc_group_id": 4,  "name": "Люди старшего возраста (60-75)"},
        {"soc_group_id": 5,  "name": "Люди преклонного возраста (старше 75)"},
        {"soc_group_id": 6,  "name": "Горожане, ожидающие ребенка"},
        {"soc_group_id": 7,  "name": "Горожане с младенцами"},
        {"soc_group_id": 8,  "name": "Горожане с детьми детсадовского возраста (1-6 лет)"},
        {"soc_group_id": 9,  "name": "Горожане с детьми младшего школьного возраста (7-13 лет)"},
        {"soc_group_id": 10, "name": "Горожане с подростками (14-18 лет)"},
        {"soc_group_id": 11, "name": "Христиане"},
        {"soc_group_id": 12, "name": "Мусульмане"},
        {"soc_group_id": 13, "name": "Иудеи"},
        {"soc_group_id": 14, "name": "Буддисты"},
        {"soc_group_id": 15, "name": "Студенты и учащиеся колледжей"},
        {"soc_group_id": 16, "name": "Горожане с питомцами"},
    ]

    def fetch_gdf(social_group_id: int) -> gpd.GeoDataFrame:
        params = {"region_id": region_id, "level": level, "social_group_id": social_group_id}
        resp = requests.get(API_URL.format(region_id=region_id), params=params)
        resp.raise_for_status()
        data = resp.json()
        gdf = gpd.GeoDataFrame.from_features(data["features"])
        return gdf.set_crs(4326).to_crs(32636)

    def fetch_territories(parent_id: int) -> gpd.GeoDataFrame:
        params = {
            'parent_id': parent_id,
            'get_all_levels': True,
            'cities_only': True,
            'centers_only': True
        }
        resp = requests.get(f"{URBAN_API}/api/v1/all_territories", params=params)
        resp.raise_for_status()
        return gpd.GeoDataFrame.from_features(resp.json()['features']).set_crs(4326)

    def get_population(terr_gdf: gpd.GeoDataFrame) -> gpd.GeoDataFrame:
        resp = requests.get(f"{URBAN_API}/api/v1/indicator/{POP_INDICATOR}/values", verify=False)
        resp.raise_for_status()
        df = pd.DataFrame(resp.json())
        df['territory_id'] = df['territory'].apply(lambda x: x['id'] if isinstance(x, dict) else None)
        pop = df.groupby('territory_id')['value'].last().reset_index().rename(columns={'value': 'population'})
        terr_gdf = terr_gdf.rename_axis('idx').reset_index()
        terr_gdf = terr_gdf.merge(pop, on='territory_id', how='left')
        terr_gdf['population'] = terr_gdf['population'].fillna(0)
        return terr_gdf.set_index('idx')

    # 1) Базовая таблица
    first = social_groups[0]
    gdf_base = fetch_gdf(first["soc_group_id"])
    gdf_final = gdf_base[['territory_id', 'geometry']].copy()
    metrics = ["Обеспеченность", "basic", "additional", "comfort"]

    # 2) Делаем merge для всех соц‑групп
    for grp in tqdm(social_groups, desc="Обработка соц-групп"):
        gdf_i = fetch_gdf(grp["soc_group_id"])
        df_i = gdf_i[['territory_id'] + metrics].rename(columns={
            "Обеспеченность":            f"{grp['name']} - Неравенство",
            "basic":                     f"{grp['name']} - Неравенство - basic",
            "additional":                f"{grp['name']} - Неравенство - additional",
            "comfort":                   f"{grp['name']} - Неравенство - comfort",
        })
        gdf_final = gdf_final.merge(df_i, on='territory_id', how='left')

    # 3) Инвертируем (1 - value) для всех Неравенство-столбцов
    ine_cols = [c for c in gdf_final.columns if "Неравенство" in c]
    gdf_final[ine_cols] = 1 - gdf_final[ine_cols]

    # 4) Итоговое Пространственное неравенство
    gdf_final["Пространственное неравенство"] = gdf_final[ine_cols].mean(axis=1).round(2)

    # 5) Подтягиваем name и population
    terrs = fetch_territories(parent_id=region_id)
    terrs = get_population(terrs)
    attrs = terrs[['territory_id', 'name', 'population']]
    gdf_final = gdf_final.merge(attrs, on='territory_id', how='left')

    return gdf_final

[4]:

gdf_final = preprocess_data(region_id=1, level=None)
gdf_final.head()

[4]:

	territory_id	geometry	Подростки младшего возраста (14-15) - Неравенство	Подростки младшего возраста (14-15) - Неравенство - basic	Подростки младшего возраста (14-15) - Неравенство - additional	Подростки младшего возраста (14-15) - Неравенство - comfort	Подростки старшего возраста (16-17) - Неравенство	Подростки старшего возраста (16-17) - Неравенство - basic	Подростки старшего возраста (16-17) - Неравенство - additional	Подростки старшего возраста (16-17) - Неравенство - comfort	...	Студенты и учащиеся колледжей - Неравенство - basic	Студенты и учащиеся колледжей - Неравенство - additional	Студенты и учащиеся колледжей - Неравенство - comfort	Горожане с питомцами - Неравенство	Горожане с питомцами - Неравенство - basic	Горожане с питомцами - Неравенство - additional	Горожане с питомцами - Неравенство - comfort	Пространственное неравенство	name	population
0	207	POINT (542576.859 6580696.856)	0.75	0.83	0.25	1.0	0.76	0.83	0.25	1.0	...	0.83	0.25	1.0	0.76	0.83	0.25	1.0	0.71	деревня Болото	10.0
1	208	POINT (544527.863 6593642.176)	0.56	0.58	0.12	1.0	0.59	0.58	0.12	1.0	...	0.58	0.12	1.0	0.58	0.58	0.12	1.0	0.57	деревня Большой Остров	68.0
2	209	POINT (544980.557 6593207.96)	0.41	0.33	0.12	1.0	0.44	0.33	0.12	1.0	...	0.33	0.12	1.0	0.42	0.33	0.12	1.0	0.47	деревня Бор	1734.0
3	210	POINT (543991.333 6589719.929)	0.69	0.75	0.25	1.0	0.71	0.75	0.25	1.0	...	0.75	0.25	1.0	0.70	0.75	0.25	1.0	0.67	деревня Бороватое	10.0
4	211	POINT (538619.331 6577374.018)	0.78	0.83	0.38	1.0	0.79	0.83	0.38	1.0	...	0.83	0.38	1.0	0.79	0.83	0.38	1.0	0.74	деревня Бочево	10.0

5 rows × 69 columns

[ ]:

# gdf_final.to_file('spatial_inequality_LO_towns.geojson')

Тестовый пример

[ ]:

gdf_cities  = gpd.read_file('data/spatial_inequality_LO_towns.geojson')
gdf_cities.head(4)

[ ]:

gdf_agglomerations = gpd.read_file('data/settlement_boundaries.geojson')
# gdf_agglomerations = gpd.read_file('data/final_agglomerations.geojson')
gdf_agglomerations.head(5)

[91]:

from popframe.method.spatial_inequality import SpatialInequalityCalculator

region_model = Region.from_pickle('data/1.pickle')
calculator = SpatialInequalityCalculator(region=region_model)

Пространственное неравенство для территорий (полигонов) по группам населения

[92]:

# 3) Переносим метрики неравенства из городов на полигоны
gdf_polys_with_metrics, stats = calculator.transfer_inequality_metrics_to_polygons(
    gdf_cities,
    gdf_agglomerations,
    inequality_keyword="Неравенство"
)
stats

[92]:

{'mean_within': {'Подростки младшего возраста (14-15) - Неравенство': 0.6338924731182796,
  'Подростки младшего возраста (14-15) - Неравенство - basic': 0.6906967741935484,
  'Подростки младшего возраста (14-15) - Неравенство - additional': 0.3650924731182796,
  'Подростки младшего возраста (14-15) - Неравенство - comfort': 0.8671225806451612,
  'Подростки старшего возраста (16-17) - Неравенство': 0.6455698924731182,
  'Подростки старшего возраста (16-17) - Неравенство - basic': 0.6906967741935484,
  'Подростки старшего возраста (16-17) - Неравенство - additional': 0.3650924731182796,
  'Подростки старшего возраста (16-17) - Неравенство - comfort': 0.8377763440860215,
  'Трудоспособные горожане (18-59) - Неравенство': 0.6255053763440861,
  'Трудоспособные горожане (18-59) - Неравенство - basic': 0.639247311827957,
  'Трудоспособные горожане (18-59) - Неравенство - additional': 0.4478236559139785,
  'Трудоспособные горожане (18-59) - Неравенство - comfort': 0.7209247311827958,
  'Люди старшего возраста (60-75) - Неравенство': 0.6237204301075269,
  'Люди старшего возраста (60-75) - Неравенство - basic': 0.639247311827957,
  'Люди старшего возраста (60-75) - Неравенство - additional': 0.4478236559139785,
  'Люди старшего возраста (60-75) - Неравенство - comfort': 0.7270150537634409,
  'Люди преклонного возраста (старше 75) - Неравенство': 0.6138236559139785,
  'Люди преклонного возраста (старше 75) - Неравенство - basic': 0.639247311827957,
  'Люди преклонного возраста (старше 75) - Неравенство - additional': 0.4478236559139785,
  'Люди преклонного возраста (старше 75) - Неравенство - comfort': 0.7270150537634409,
  'Горожане, ожидающие ребенка - Неравенство': 0.6338924731182796,
  'Горожане, ожидающие ребенка - Неравенство - basic': 0.6906967741935484,
  'Горожане, ожидающие ребенка - Неравенство - additional': 0.3650924731182796,
  'Горожане, ожидающие ребенка - Неравенство - comfort': 0.8671225806451612,
  'Горожане с младенцами - Неравенство': 0.6408043010752688,
  'Горожане с младенцами - Неравенство - basic': 0.7021548387096774,
  'Горожане с младенцами - Неравенство - additional': 0.3650924731182796,
  'Горожане с младенцами - Неравенство - comfort': 0.8671225806451612,
  'Горожане с детьми детсадовского возраста (1-6 лет) - Неравенство': 0.6443483870967742,
  'Горожане с детьми детсадовского возраста (1-6 лет) - Неравенство - basic': 0.7097247311827957,
  'Горожане с детьми детсадовского возраста (1-6 лет) - Неравенство - additional': 0.3650924731182796,
  'Горожане с детьми детсадовского возраста (1-6 лет) - Неравенство - comfort': 0.8671225806451612,
  'Горожане с детьми младшего школьного возраста (7-13 лет) - Неравенство': 0.6398967741935484,
  'Горожане с детьми младшего школьного возраста (7-13 лет) - Неравенство - basic': 0.6990494623655914,
  'Горожане с детьми младшего школьного возраста (7-13 лет) - Неравенство - additional': 0.3650924731182796,
  'Горожане с детьми младшего школьного возраста (7-13 лет) - Неравенство - comfort': 0.8671225806451612,
  'Горожане с подростками (14-18 лет) - Неравенство': 0.6357333333333333,
  'Горожане с подростками (14-18 лет) - Неравенство - basic': 0.6883655913978494,
  'Горожане с подростками (14-18 лет) - Неравенство - additional': 0.3650924731182796,
  'Горожане с подростками (14-18 лет) - Неравенство - comfort': 0.8377763440860215,
  'Христиане - Неравенство': 0.6308989247311827,
  'Христиане - Неравенство - basic': 0.6906967741935484,
  'Христиане - Неравенство - additional': 0.3650924731182796,
  'Христиане - Неравенство - comfort': 0.8079096774193548,
  'Мусульмане - Неравенство': 0.6338924731182796,
  'Мусульмане - Неравенство - basic': 0.6906967741935484,
  'Мусульмане - Неравенство - additional': 0.3650924731182796,
  'Мусульмане - Неравенство - comfort': 0.8671225806451612,
  'Иудеи - Неравенство': 0.6338924731182796,
  'Иудеи - Неравенство - basic': 0.6906967741935484,
  'Иудеи - Неравенство - additional': 0.3650924731182796,
  'Иудеи - Неравенство - comfort': 0.8671225806451612,
  'Буддисты - Неравенство': 0.6338924731182796,
  'Буддисты - Неравенство - basic': 0.6906967741935484,
  'Буддисты - Неравенство - additional': 0.3650924731182796,
  'Буддисты - Неравенство - comfort': 0.8671225806451612,
  'Студенты и учащиеся колледжей - Неравенство': 0.6363784946236559,
  'Студенты и учащиеся колледжей - Неравенство - basic': 0.6906967741935484,
  'Студенты и учащиеся колледжей - Неравенство - additional': 0.3650924731182796,
  'Студенты и учащиеся колледжей - Неравенство - comfort': 0.8377763440860215,
  'Горожане с питомцами - Неравенство': 0.6454193548387096,
  'Горожане с питомцами - Неравенство - basic': 0.6906967741935484,
  'Горожане с питомцами - Неравенство - additional': 0.3650924731182796,
  'Горожане с питомцами - Неравенство - comfort': 0.8671225806451612,
  'Пространственное неравенство': 0.6323956989247312},
 'mean_outside': {'Подростки младшего возраста (14-15) - Неравенство': 0.8628712871287129,
  'Подростки младшего возраста (14-15) - Неравенство - basic': 0.8793729372937293,
  'Подростки младшего возраста (14-15) - Неравенство - additional': 0.7530198019801981,
  'Подростки младшего возраста (14-15) - Неравенство - comfort': 0.9669471947194718,
  'Подростки старшего возраста (16-17) - Неравенство': 0.8686633663366337,
  'Подростки старшего возраста (16-17) - Неравенство - basic': 0.8793729372937293,
  'Подростки старшего возраста (16-17) - Неравенство - additional': 0.7530198019801981,
  'Подростки старшего возраста (16-17) - Неравенство - comfort': 0.9713531353135313,
  'Трудоспособные горожане (18-59) - Неравенство': 0.8499834983498349,
  'Трудоспособные горожане (18-59) - Неравенство - basic': 0.8349174917491748,
  'Трудоспособные горожане (18-59) - Неравенство - additional': 0.7895214521452145,
  'Трудоспособные горожане (18-59) - Неравенство - comfort': 0.9072607260726072,
  'Люди старшего возраста (60-75) - Неравенство': 0.8465016501650166,
  'Люди старшего возраста (60-75) - Неравенство - basic': 0.8349174917491748,
  'Люди старшего возраста (60-75) - Неравенство - additional': 0.7895214521452145,
  'Люди старшего возраста (60-75) - Неравенство - comfort': 0.8916501650165017,
  'Люди преклонного возраста (старше 75) - Неравенство': 0.8425082508250825,
  'Люди преклонного возраста (старше 75) - Неравенство - basic': 0.8349174917491748,
  'Люди преклонного возраста (старше 75) - Неравенство - additional': 0.7895214521452145,
  'Люди преклонного возраста (старше 75) - Неравенство - comfort': 0.8916501650165017,
  'Горожане, ожидающие ребенка - Неравенство': 0.8628712871287129,
  'Горожане, ожидающие ребенка - Неравенство - basic': 0.8793729372937293,
  'Горожане, ожидающие ребенка - Неравенство - additional': 0.7530198019801981,
  'Горожане, ожидающие ребенка - Неравенство - comfort': 0.9669471947194718,
  'Горожане с младенцами - Неравенство': 0.8653960396039605,
  'Горожане с младенцами - Неравенство - basic': 0.8829537953795379,
  'Горожане с младенцами - Неравенство - additional': 0.7530198019801981,
  'Горожане с младенцами - Неравенство - comfort': 0.9669471947194718,
  'Горожане с детьми детсадовского возраста (1-6 лет) - Неравенство': 0.8658415841584159,
  'Горожане с детьми детсадовского возраста (1-6 лет) - Неравенство - basic': 0.8897359735973598,
  'Горожане с детьми детсадовского возраста (1-6 лет) - Неравенство - additional': 0.7530198019801981,
  'Горожане с детьми детсадовского возраста (1-6 лет) - Неравенство - comfort': 0.9669471947194718,
  'Горожане с детьми младшего школьного возраста (7-13 лет) - Неравенство': 0.8627392739273926,
  'Горожане с детьми младшего школьного возраста (7-13 лет) - Неравенство - basic': 0.8822937293729374,
  'Горожане с детьми младшего школьного возраста (7-13 лет) - Неравенство - additional': 0.7530198019801981,
  'Горожане с детьми младшего школьного возраста (7-13 лет) - Неравенство - comfort': 0.9669471947194718,
  'Горожане с подростками (14-18 лет) - Неравенство': 0.8640429042904288,
  'Горожане с подростками (14-18 лет) - Неравенство - basic': 0.8746039603960396,
  'Горожане с подростками (14-18 лет) - Неравенство - additional': 0.7530198019801981,
  'Горожане с подростками (14-18 лет) - Неравенство - comfort': 0.9713531353135313,
  'Христиане - Неравенство': 0.861072607260726,
  'Христиане - Неравенство - basic': 0.8793729372937293,
  'Христиане - Неравенство - additional': 0.7530198019801981,
  'Христиане - Неравенство - comfort': 0.9407920792079209,
  'Мусульмане - Неравенство': 0.8628712871287129,
  'Мусульмане - Неравенство - basic': 0.8793729372937293,
  'Мусульмане - Неравенство - additional': 0.7530198019801981,
  'Мусульмане - Неравенство - comfort': 0.9669471947194718,
  'Иудеи - Неравенство': 0.8628712871287129,
  'Иудеи - Неравенство - basic': 0.8793729372937293,
  'Иудеи - Неравенство - additional': 0.7530198019801981,
  'Иудеи - Неравенство - comfort': 0.9669471947194718,
  'Буддисты - Неравенство': 0.8628712871287129,
  'Буддисты - Неравенство - basic': 0.8793729372937293,
  'Буддисты - Неравенство - additional': 0.7530198019801981,
  'Буддисты - Неравенство - comfort': 0.9669471947194718,
  'Студенты и учащиеся колледжей - Неравенство': 0.8666831683168316,
  'Студенты и учащиеся колледжей - Неравенство - basic': 0.8793729372937293,
  'Студенты и учащиеся колледжей - Неравенство - additional': 0.7530198019801981,
  'Студенты и учащиеся колледжей - Неравенство - comfort': 0.9713531353135313,
  'Горожане с питомцами - Неравенство': 0.8667821782178218,
  'Горожане с питомцами - Неравенство - basic': 0.8793729372937293,
  'Горожане с питомцами - Неравенство - additional': 0.7530198019801981,
  'Горожане с питомцами - Неравенство - comfort': 0.9669471947194718,
  'Пространственное неравенство': 0.8613696369636964}}

[93]:

gdf_polys_with_metrics.head(3)

[93]:

	anchor_name	geometry	Подростки младшего возраста (14-15) - Неравенство	Подростки младшего возраста (14-15) - Неравенство - basic	Подростки младшего возраста (14-15) - Неравенство - additional	Подростки младшего возраста (14-15) - Неравенство - comfort	Подростки старшего возраста (16-17) - Неравенство	Подростки старшего возраста (16-17) - Неравенство - basic	Подростки старшего возраста (16-17) - Неравенство - additional	Подростки старшего возраста (16-17) - Неравенство - comfort	...	Буддисты - Неравенство - comfort	Студенты и учащиеся колледжей - Неравенство	Студенты и учащиеся колледжей - Неравенство - basic	Студенты и учащиеся колледжей - Неравенство - additional	Студенты и учащиеся колледжей - Неравенство - comfort	Горожане с питомцами - Неравенство	Горожане с питомцами - Неравенство - basic	Горожане с питомцами - Неравенство - additional	Горожане с питомцами - Неравенство - comfort	Пространственное неравенство
poly_index
0	город Приозерск	POLYGON ((327427.183 6730670.252, 327136.101 6...	0.532121	0.583939	0.296212	0.913333	0.559394	0.583939	0.296212	0.926515	...	0.913333	0.545758	0.583939	0.296212	0.926515	0.545758	0.583939	0.296212	0.913333	0.577424
1	город Луга	POLYGON ((287016.41 6543947.996, 287016.796 65...	0.647885	0.731630	0.351894	0.804317	0.669031	0.731630	0.351894	0.833700	...	0.804317	0.660617	0.731630	0.351894	0.833700	0.660573	0.731630	0.351894	0.804317	0.631057
2	город Сланцы	POLYGON ((197917.925 6549729.864, 197918.01 65...	0.797669	0.800902	0.706391	0.827068	0.799398	0.800902	0.706391	0.853158	...	0.827068	0.804135	0.800902	0.706391	0.853158	0.804135	0.800902	0.706391	0.827068	0.778872

3 rows × 67 columns

[94]:

region_boundary = region_model.region

[95]:

import matplotlib.pyplot as plt
import contextily as ctx

# создаём фигуру и ось
fig, ax = plt.subplots(figsize=(15, 10), dpi=100)

# рисуем границу региона
region_boundary.plot(
    ax=ax,
    facecolor="gray",
    edgecolor="black",
    linewidth=1.2,
    alpha=0.1,
    label="Граница региона"
)

# рисуем полигоны с показателем "Пространственное неравенство"
# используем diverging cmap и центрируем цветовую шкалу в среднем значении
vmin = gdf_polys_with_metrics['Пространственное неравенство'].min()
vmax = gdf_polys_with_metrics['Пространственное неравенство'].max()
vcenter = gdf_polys_with_metrics['Пространственное неравенство'].mean()

gdf_polys_with_metrics.plot(
    column='Пространственное неравенство',
    cmap='coolwarm',
    linewidth=0.2,
    edgecolor='white',
    ax=ax,
    legend=False  # legend сделаем вручную
)

# добавляем градиентный colorbar
sm = plt.cm.ScalarMappable(
    cmap='coolwarm',
    norm=plt.Normalize(vmin=vmin, vmax=vmax)
)
sm.set_array([])  # пустой, чтобы цветовая шкала работала
cbar = fig.colorbar(
    sm, ax=ax, fraction=0.03, pad=0.02
)
cbar.set_label("Пространственное неравенство", fontsize=12)
cbar.ax.tick_params(labelsize=10)



# убираем оси
ax.set_axis_off()

# заголовок и пояснение
ax.set_title(
    "Карта пространственного неравенства\nЛенинградская область",
    fontdict={'fontsize': 16, 'fontweight': 'bold'}
)
fig.suptitle(
    "Источник: моделирование на основе данных о соцгруппах",
    x=0.1, y=0.92,
    fontsize=10,
    color='gray'
)

# легенда (если нужно)
ax.legend(loc='lower left', fontsize=10, frameon=False)

plt.tight_layout()
plt.show()

../_images/examples_spatial_inequality_14_0.png

Лучшие территории по наименьшему неравенству

[96]:

best_youth = calculator.get_best_territory(
    gdf_polys_with_metrics,
    group_name="Подростки младшего возраста (14-15)",
    top_n= 3 # опционально, сколько лучших территорий показать (по умолчанию 5)
)
best_youth

[96]:

	anchor_name	geometry	Пространственное неравенство	Подростки младшего возраста (14-15) - Неравенство	Подростки младшего возраста (14-15) - Неравенство - basic	Подростки младшего возраста (14-15) - Неравенство - additional	Подростки младшего возраста (14-15) - Неравенство - comfort
poly_index
24	город Мурино	POLYGON ((351375.352 6664593.09, 351374.724 66...	0.346316	0.301579	0.324211	0.140526	0.635789
20	город Кудрово	POLYGON ((359656.173 6637951.473, 359656.203 6...	0.359231	0.363462	0.343077	0.000000	0.793846
18	город Отрадное	POLYGON ((358256.176 6613983.925, 358256.291 6...	0.395714	0.401071	0.368571	0.081429	0.768571

[97]:

# 5) Находим территорию с минимальным общим неравенством
best_overall = calculator.get_best_territory(
    gdf_cities)
best_overall

[97]:

	territory_id	Подростки младшего возраста (14-15) - Неравенство	Подростки младшего возраста (14-15) - Неравенство - basic	Подростки младшего возраста (14-15) - Неравенство - additional	Подростки младшего возраста (14-15) - Неравенство - comfort	Подростки старшего возраста (16-17) - Неравенство	Подростки старшего возраста (16-17) - Неравенство - basic	Подростки старшего возраста (16-17) - Неравенство - additional	Подростки старшего возраста (16-17) - Неравенство - comfort	Трудоспособные горожане (18-59) - Неравенство	...	Студенты и учащиеся колледжей - Неравенство - additional	Студенты и учащиеся колледжей - Неравенство - comfort	Горожане с питомцами - Неравенство	Горожане с питомцами - Неравенство - basic	Горожане с питомцами - Неравенство - additional	Горожане с питомцами - Неравенство - comfort	Пространственное неравенство	name	population	geometry
1060	1267	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	...	0.00	0.00	0.00	0.00	0.00	0.00	0.00	город Сосновый Бор	63462.0	POINT (283470.037 6644117.652)
1585	1792	0.22	0.25	0.00	0.20	0.24	0.25	0.00	0.17	0.23	...	0.00	0.17	0.24	0.25	0.00	0.20	0.16	деревня Шереметьевка	44.0	POINT (389284.621 6648362.546)
2621	2828	0.19	0.17	0.12	0.20	0.24	0.17	0.12	0.33	0.23	...	0.12	0.33	0.21	0.17	0.12	0.20	0.17	деревня Фишева Гора	5.0	POINT (530645.861 6611990.519)
1651	1858	0.16	0.23	0.12	0.25	0.21	0.23	0.12	0.38	0.18	...	0.12	0.38	0.18	0.23	0.12	0.25	0.19	деревня Энколово	412.0	POINT (356965.492 6666121.124)
1654	1861	0.16	0.25	0.12	0.20	0.21	0.25	0.12	0.33	0.18	...	0.12	0.33	0.18	0.25	0.12	0.20	0.19	деревня Корабсельки	200.0	POINT (355472.818 6665585.5)

5 rows × 69 columns

Соц. группа с наименьшим неравенством

[148]:

cities_with_best_group = calculator.get_best_group_for_territory(
    gdf_cities
)
cities_with_best_group.head(3)

[148]:

	territory_id	Подростки младшего возраста (14-15) - Неравенство	Подростки младшего возраста (14-15) - Неравенство - basic	Подростки младшего возраста (14-15) - Неравенство - additional	Подростки младшего возраста (14-15) - Неравенство - comfort	Подростки старшего возраста (16-17) - Неравенство	Подростки старшего возраста (16-17) - Неравенство - basic	Подростки старшего возраста (16-17) - Неравенство - additional	Подростки старшего возраста (16-17) - Неравенство - comfort	Трудоспособные горожане (18-59) - Неравенство	...	Студенты и учащиеся колледжей - Неравенство - comfort	Горожане с питомцами - Неравенство	Горожане с питомцами - Неравенство - basic	Горожане с питомцами - Неравенство - additional	Горожане с питомцами - Неравенство - comfort	Пространственное неравенство	name	population	geometry	Наименьшее неравенство для соц‑группы
0	207	0.75	0.83	0.25	1.0	0.76	0.83	0.25	1.0	0.74	...	1.0	0.76	0.83	0.25	1.0	0.71	деревня Болото	10.0	POINT (542576.859 6580696.856)	Люди преклонного возраста (старше 75)
1	208	0.56	0.58	0.12	1.0	0.59	0.58	0.12	1.0	0.59	...	1.0	0.58	0.58	0.12	1.0	0.57	деревня Большой Остров	68.0	POINT (544527.863 6593642.176)	Подростки младшего возраста (14-15)
2	209	0.41	0.33	0.12	1.0	0.44	0.33	0.12	1.0	0.46	...	1.0	0.42	0.33	0.12	1.0	0.47	деревня Бор	1734.0	POINT (544980.557 6593207.96)	Подростки младшего возраста (14-15)

3 rows × 70 columns

[109]:

gdf_with_best_group = calculator.get_best_group_for_territory(
    gdf_polys_with_metrics
)
gdf_with_best_group.head(3)

[109]:

	anchor_name	geometry	Подростки младшего возраста (14-15) - Неравенство	Подростки младшего возраста (14-15) - Неравенство - basic	Подростки младшего возраста (14-15) - Неравенство - additional	Подростки младшего возраста (14-15) - Неравенство - comfort	Подростки старшего возраста (16-17) - Неравенство	Подростки старшего возраста (16-17) - Неравенство - basic	Подростки старшего возраста (16-17) - Неравенство - additional	Подростки старшего возраста (16-17) - Неравенство - comfort	...	Студенты и учащиеся колледжей - Неравенство	Студенты и учащиеся колледжей - Неравенство - basic	Студенты и учащиеся колледжей - Неравенство - additional	Студенты и учащиеся колледжей - Неравенство - comfort	Горожане с питомцами - Неравенство	Горожане с питомцами - Неравенство - basic	Горожане с питомцами - Неравенство - additional	Горожане с питомцами - Неравенство - comfort	Пространственное неравенство	Наименьшее неравенство для соц‑группы
poly_index
0	город Приозерск	POLYGON ((327427.183 6730670.252, 327136.101 6...	0.532121	0.583939	0.296212	0.913333	0.559394	0.583939	0.296212	0.926515	...	0.545758	0.583939	0.296212	0.926515	0.545758	0.583939	0.296212	0.913333	0.577424	Люди преклонного возраста (старше 75)
1	город Луга	POLYGON ((287016.41 6543947.996, 287016.796 65...	0.647885	0.731630	0.351894	0.804317	0.669031	0.731630	0.351894	0.833700	...	0.660617	0.731630	0.351894	0.833700	0.660573	0.731630	0.351894	0.804317	0.631057	Люди преклонного возраста (старше 75)
2	город Сланцы	POLYGON ((197917.925 6549729.864, 197918.01 65...	0.797669	0.800902	0.706391	0.827068	0.799398	0.800902	0.706391	0.853158	...	0.804135	0.800902	0.706391	0.853158	0.804135	0.800902	0.706391	0.827068	0.778872	Люди старшего возраста (60-75)

3 rows × 68 columns

Визуализация

[116]:

import matplotlib.pyplot as plt
import matplotlib as mpl

def plot_spatial_metric(
    region_boundary,
    gdf_polys,
    gdf_cities,
    attr: str,
    city_thresh: float = None,
    figsize=(15, 10),
    dpi=120,
    cmap='RdYlBu_r'
):
    """
    Рисует карту: полигоны и (опционально отфильтрованные) города,
    раскрашенные по атрибуту attr.

    Параметры
    ----------
    region_boundary : GeoDataFrame
        Полигон(ы) границы региона.
    gdf_polys : GeoDataFrame
        Полигоны с метриками (должен содержать колонку attr).
    gdf_cities : GeoDataFrame
        Точки‑города (должны содержать колонку attr).
    attr : str
        Название колонки для цветового кода.
    city_thresh : float, optional
        Если задан, то показываем только города с gdf_cities[attr] ≤ city_thresh.
    figsize : tuple, default (15, 10)
        Размер фигуры.
    dpi : int, default 120
        Разрешение в dpi.
    cmap : str, default 'RdYlBu_r'
        Имя matplotlib‑палитры.
    """
    # Переводим всё в WebMercator
    region_web = region_boundary.to_crs(epsg=3857)
    polys_web  = gdf_polys.to_crs(epsg=3857)
    cities_web = gdf_cities.to_crs(epsg=3857)

    # При необходимости фильтруем города
    if city_thresh is not None:
        cities_web = cities_web[cities_web[attr] <= city_thresh]

    # Границы шкалы
    vmin    = polys_web[attr].min()
    vmax    = polys_web[attr].max()
    vcenter = polys_web[attr].mean()
    norm    = mpl.colors.TwoSlopeNorm(vmin=vmin, vcenter=vcenter, vmax=vmax)

    # Рисуем
    fig, ax = plt.subplots(figsize=figsize, dpi=dpi)

    # 1) Полигоны
    polys_web.plot(
        column=attr,
        cmap=cmap,
        norm=norm,
        linewidth=0.1,
        edgecolor='gray',
        alpha=1,
        ax=ax
    )

    # 2) Города
    cities_web.plot(
        column=attr,
        cmap=cmap,
        norm=norm,
        markersize=20,
        alpha=0.7,
        edgecolor='none',
        ax=ax
    )

    # 3) Лёгкая рамка региона
    region_web.plot(
        ax=ax,
        facecolor="gray",
        edgecolor="lightgray",
        linewidth=1.2,
        alpha=0.2
    )

    # 4) Общий colorbar
    sm = plt.cm.ScalarMappable(cmap=cmap, norm=norm)
    sm.set_array([])
    cbar = fig.colorbar(sm, ax=ax, fraction=0.03, pad=0.02)
    cbar.set_label(attr, fontsize=12)
    cbar.ax.tick_params(labelsize=10)

    # 5) Оформление заголовков
    ax.set_title(
        f"{attr}\nв Ленинградской области",
        fontdict={'fontsize':16, 'fontweight':'bold'}
    )
    if city_thresh is not None:
        fig.suptitle( "Источник: моделирование на основе данных о соцгруппах. \n"
            f" (Социальная групапа  - {attr} ≤ {city_thresh})",
            x=0.1, y=0.07,
            fontsize=10,
            color='gray'
        )

    ax.set_axis_off()
    plt.tight_layout()
    plt.show()

    return fig, ax

[101]:

# визуализируем 'Пространственное неравенство', показывая города с ≤ 0.8
plot_spatial_metric(
    region_boundary=region_boundary,
    gdf_polys=gdf_polys_with_metrics,
    gdf_cities=gdf_cities,
    attr='Подростки младшего возраста (14-15) - Неравенство',
    city_thresh=0.8
)

../_images/examples_spatial_inequality_23_0.png

[101]:

(<Figure size 1800x1200 with 2 Axes>,
 <Axes: title={'center': 'Подростки младшего возраста (14-15) - Неравенство\nв Ленинградской области'}>)

[ ]:

import matplotlib.pyplot as plt
import matplotlib as mpl
import matplotlib.patches as mpatches
from shapely.ops import unary_union

# --- Предполагаем, что region_web, polys_web и cities_web уже в EPSG:3857 ---
# 1) Переводим всё в Web Mercator
region_web = region_boundary.to_crs(epsg=3857)
polys_web  = gdf_with_best_group.to_crs(epsg=3857)
cities_web = gdf_cities.to_crs(epsg=3857)
# 1) Только города внутри полигонов
union_poly      = unary_union(polys_web.geometry)
cities_in_polys = cities_web[cities_web.geometry.within(union_poly)]

# 2) Нормировка
numeric_attr = 'Пространственное неравенство'
vmin    = polys_web[numeric_attr].min()
vmax    = polys_web[numeric_attr].max()
vcenter = polys_web[numeric_attr].mean()
norm    = mpl.colors.TwoSlopeNorm(vmin=vmin, vcenter=vcenter, vmax=vmax)

# 3) Цвета групп без NaN
group_attr = 'Наименьшее неравенство для соц‑группы'
groups = polys_web[group_attr].dropna().astype(str)
unique_groups = list(dict.fromkeys(groups))
cmap_groups   = plt.cm.get_cmap('tab20', len(unique_groups))
group_colors  = {grp: cmap_groups(i) for i, grp in enumerate(unique_groups)}
polys_web['__group_color'] = polys_web[group_attr].map(lambda x: group_colors.get(str(x)))
# 4) Рисуем
fig, ax = plt.subplots(figsize=(20, 15), dpi=120)

# фон
region_web.plot(facecolor='gray', edgecolor='lightgray', alpha=0.3, ax=ax, zorder=0)

# заливка с белой обводкой
polys_web.plot(
    column=numeric_attr,
    cmap='RdYlBu_r',
    norm=norm,
    edgecolor='white',
    linewidth=0.5,
    alpha=0.7,
    ax=ax,
    zorder=1
)

# цветные границы групп
mask = polys_web[group_attr].notna()
polys_web[mask].boundary.plot(
    color=polys_web.loc[mask, '__group_color'],
    linewidth=1.5,
    ax=ax,
    zorder=2
)

# города
cities_in_polys.plot(
    column=numeric_attr,
    cmap='RdYlBu_r',
    norm=norm,
    markersize=20,
    alpha=0.9,
    edgecolor='none',
    linewidth=0.1,
    ax=ax,
    zorder=3
)

# легенда групп слева-снизу (без NaN)
legend_patches = [
    mpatches.Patch(color=group_colors[grp], label=grp)
    for grp in unique_groups
]
leg = ax.legend(
    handles=legend_patches,
    title=group_attr,
    loc='lower left',
    fontsize=10,
    title_fontsize=12,
    frameon=False
)
# (опционально) если вам нужно поднять легенду поверх всех:
leg.set_zorder(5)

# colorbar
sm = plt.cm.ScalarMappable(cmap='RdYlBu_r', norm=norm)
sm.set_array([])
cbar = fig.colorbar(sm, ax=ax, fraction=0.03, pad=0.02)
cbar.set_label(numeric_attr, fontsize=12)
cbar.ax.tick_params(labelsize=10)

ax.set_title(
    f"{numeric_attr}по соц‑группам\nв Ленинградской области",
    fontdict={'fontsize':16, 'fontweight':'bold'}
)
ax.set_axis_off()
plt.tight_layout()
plt.show()

../_images/examples_spatial_inequality_24_0.png

[136]:

import matplotlib.pyplot as plt
import matplotlib as mpl
import matplotlib.patches as mpatches
from shapely.ops import unary_union
import numpy as np

# --- 1) В CRS WebMercator ---
region_web = region_boundary.to_crs(epsg=3857)
polys_web  = gdf_with_best_group.to_crs(epsg=3857)
cities_web = gdf_cities.to_crs(epsg=3857)

# --- 2) Оставляем города внутри опорных полигонов ---
union_poly      = unary_union(polys_web.geometry)
cities_in_polys = cities_web[cities_web.geometry.within(union_poly)]

# --- 3) Вычисляем для каждого полигона значение неравенства «лучшей» группы ---
# наз­вание колонки с именем лучшей группы
group_attr = 'Наименьшее неравенство для соц‑группы'

def extract_best_ineq(row):
    # у нас в gdf есть колонки вида "<название группы> - Неравенство"
    best_group = row[group_attr]
    if pd.isna(best_group):
        return np.nan
    col_name = f"{best_group} - Неравенство"
    return row.get(col_name, np.nan)

polys_web['best_ineq'] = polys_web.apply(extract_best_ineq, axis=1)

# --- 4) Нормировка по новой величине ---
numeric_attr = 'best_ineq'
vmin    = polys_web[numeric_attr].min()
vmax    = polys_web[numeric_attr].max()
vcenter = polys_web[numeric_attr].mean()
norm    = mpl.colors.TwoSlopeNorm(vmin=vmin, vcenter=vcenter, vmax=vmax)

# --- 5) Готовим цвета для обводки по группам (как раньше) ---
groups = polys_web[group_attr].dropna().astype(str)
unique_groups = list(dict.fromkeys(groups))
cmap_groups  = plt.cm.get_cmap('tab20', len(unique_groups))
group_colors = {grp: cmap_groups(i) for i, grp in enumerate(unique_groups)}
polys_web['__group_color'] = polys_web[group_attr].map(lambda x: group_colors.get(str(x), None))

# --- 6) Рисуем карту ---
fig, ax = plt.subplots(figsize=(20, 15), dpi=120)

# фон
region_web.plot(facecolor='gray', edgecolor='lightgray', alpha=0.3, ax=ax, zorder=0)

# заливка полигонов по best_ineq, с белой прослойкой
polys_web.plot(
    column=numeric_attr,
    cmap='RdYlBu_r',
    norm=norm,
    edgecolor='white',
    linewidth=0.5,
    alpha=0.7,
    ax=ax,
    zorder=1
)

# обводка цветом группы
mask = polys_web[group_attr].notna()
polys_web[mask].boundary.plot(
    color=polys_web.loc[mask, '__group_color'],
    linewidth=1.5,
    ax=ax,
    zorder=2
)

# города (если нужно, можно тоже по best_ineq или по-global)
cities_in_polys.plot(
    column='Пространственное неравенство',  # или numeric_attr
    cmap='RdYlBu_r',
    norm=norm,
    markersize=20,
    alpha=0.9,
    edgecolor='none',
    linewidth=0.1,
    ax=ax,
    zorder=3
)

# легенда «группа» слева‑снизу без NaN
legend_patches = [
    mpatches.Patch(color=group_colors[grp], label=grp)
    for grp in unique_groups
]
ax.legend(
    handles=legend_patches,
    title=group_attr,
    loc='lower left',
    fontsize=10,
    title_fontsize=12,
    frameon=False
)

# общий colorbar для best_ineq
sm = plt.cm.ScalarMappable(cmap='RdYlBu_r', norm=norm)
sm.set_array([])
cbar = fig.colorbar(sm, ax=ax, fraction=0.03, pad=0.02)
cbar.set_label('Неравенство лучшей соц‑группы', fontsize=12)
cbar.ax.tick_params(labelsize=10)

ax.set_title(
    "Неравенство лучшей соц‑группы по районам\nв Ленинградской области",
    fontdict={'fontsize':16, 'fontweight':'bold'}
)
ax.set_axis_off()
plt.tight_layout()
plt.show()

../_images/examples_spatial_inequality_25_0.png

[152]:

import folium
import pandas as pd
import numpy as np
import geopandas as gpd
from shapely.ops import unary_union
import matplotlib as mpl
import matplotlib.colors as mcolors

# --- 1) Переводим GeoDataFrame в WGS84 ---
polys = gdf_with_best_group.to_crs(epsg=4326)
cities = gdf_cities.to_crs(epsg=4326)

# --- 2) Вычисляем для каждого полигона значение неравенства лучшей соц‑группы ---
def extract_best_ineq(row):
    best = row.get('Наименьшее неравенство для соц‑группы')
    if pd.isna(best):
        return np.nan
    return row.get(f"{best} - Неравенство", np.nan)

polys['best_ineq'] = polys.apply(extract_best_ineq, axis=1)

# --- 3) Задаём нормировки и палитры из Matplotlib ---
# для полигонов по best_ineq
vmin_p = polys['best_ineq'].min()
vmax_p = polys['best_ineq'].max()
norm_p = mpl.colors.TwoSlopeNorm(vmin=vmin_p, vcenter=(vmin_p+vmax_p)/2, vmax=vmax_p)
cmap_p = mpl.cm.get_cmap('RdYlBu_r')

# для городов по их пространственному неравенству
vmin_c = cities['Пространственное неравенство'].min()
vmax_c = cities['Пространственное неравенство'].max()
norm_c = mpl.colors.TwoSlopeNorm(vmin=vmin_c, vcenter=(vmin_c+vmax_c)/2, vmax=vmax_c)
cmap_c = mpl.cm.get_cmap('RdYlBu_r')

# --- 4) Готовим цвета для обводки полигонов по лучшей группе ---
group_attr = 'Наименьшее неравенство для соц‑группы'
groups = polys[group_attr].dropna().astype(str)
unique_groups = list(dict.fromkeys(groups))
cmap_groups = mpl.cm.get_cmap('tab20', len(unique_groups))
group_colors = {grp: mcolors.to_hex(cmap_groups(i)) for i, grp in enumerate(unique_groups)}

def fmt(val):
    try:
        return f"{float(val):.3f}"
    except:
        return "-"

def popup_poly(row):
    # теперь заголовок «Опорный населённый пункт: <название>»
    name = row.get('anchor_name', '—')
    lines = [f"<b>Опорный населенный пункт: {name}</b>"]

    si = row.get('Пространственное неравенство')
    if pd.notna(si):
        lines.append(f"Пространственное неравенство: <b>{fmt(si)}</b>")

    best = row.get(group_attr)
    if pd.notna(best):
        lines.append(f"Наиболее обеспеченная соц-группа: <b>{best}</b>")
        for suffix, label in [
            ('- basic', 'Базовая инфраструктура'),
            ('- additional', 'Дополнительная инфраструктура'),
            ('- comfort', 'Инфраструктура комфорта'),
        ]:
            col = f"{best} - Неравенство {suffix}"
            if col in row and pd.notna(row[col]):
                lines.append(f"{label}: {fmt(row[col])}")

    return folium.Popup("<br>".join(lines), max_width=300)

def popup_city(row):
    name = row.get('name') or row.get('anchor_name','—')
    lines = [f"<b>{name}</b>"]
    si = row.get('Пространственное неравенство')
    if pd.notna(si):
        lines.append(f"Пространственное неравенство: <b>{fmt(si)}</b>")
    best = row.get(group_attr)
    if pd.notna(best):
        lines.append(f"Наиболее обеспеченная соц-группа: <b>{best}</b>")
        col = f"{best} - Неравенство"
        if col in row and pd.notna(row[col]):
            lines.append(f"Значение: {fmt(row[col])}")
    return folium.Popup("<br>".join(lines), max_width=300)

# --- 6) Создаём folium-карту ---
center = [polys.geometry.centroid.y.mean(), polys.geometry.centroid.x.mean()]
m = folium.Map(location=center, zoom_start=8, tiles='cartodbpositron')

# --- 7) Слой полигонов ---
poly_layer = folium.FeatureGroup(name="Полигоны", show=True)
for _, row in polys.iterrows():
    val = row['best_ineq']
    fill_color = (
        mcolors.to_hex(cmap_p(norm_p(val))) if pd.notna(val) else '#cccccc'
    )
    grp = row.get(group_attr)
    edge_color = group_colors.get(grp, 'black')
    gj = folium.GeoJson(
        data=row.geometry.__geo_interface__,
        style_function=lambda feat, fc=fill_color, ec=edge_color: {
            'fillColor': fc,
            'color': ec,
            'weight': 1.5,
            'fillOpacity': 0.7
        },
        tooltip=row.get('anchor_name')
    )
    gj.add_child(popup_poly(row))
    poly_layer.add_child(gj)
m.add_child(poly_layer)

# --- 8) Слой городов (все) ---
city_layer = folium.FeatureGroup(name="Города", show=True)
for _, row in cities.iterrows():
    si = row.get('Пространственное неравенство')
    fill_color = (
        mcolors.to_hex(cmap_c(norm_c(si))) if pd.notna(si) else '#666666'
    )
    marker = folium.CircleMarker(
        location=[row.geometry.y, row.geometry.x],
        radius=5,
        fill=True,
        fill_color=fill_color,
        color='white',
        weight=0.3,
        fill_opacity=0.9,
        tooltip=row.get('name') or row.get('anchor_name'),
        popup=popup_city(row)
    )
    city_layer.add_child(marker)
m.add_child(city_layer)

# --- 9) Добавляем контрол слоёв ---
folium.LayerControl().add_to(m)

# --- 10) Добавляем легенду для обводки полигонов ---
legend_html = """
<div style="
    position: fixed;
    bottom: 50px;
    left: 10px;
    width: 180px;
    background: white;
    border: 1px solid #ccc;
    padding: 10px;
    font-size: 12px;
    z-index:9999;
">
<strong>Наиболее обеспеченные соц-группы</strong><br>
"""
for grp, color in group_colors.items():
    legend_html += f"""
    <i style="background:{color};width:12px;height:12px;display:inline-block;margin-right:5px;"></i>
    {grp}<br>
    """
legend_html += "</div>"

m.get_root().html.add_child(folium.Element(legend_html))

# --- 11) Сохраняем карту ---
m.save('map.html')