Pysal和geoda很相似。 一个通过编写脚本实现空间分析，另一个通过软件操作实现空间分析。
Pysal官网介绍了一个开源、跨平台的地理数据分析库。
Pysal能做什么？
空间分析可视化就足够了。
一. pysal安装
安装非常简单，把相关的包都放进去。
pip install pysal
pip install esda
pip install geopandas
pip install splot
或者，打开py charm ——文件——设置—— python interpreter。
找到pysal和esda、geopandas和splot，然后单击安装包进行安装。
esda进行连接分析，geopandas对geometry进行矩阵处理，splot是绘图。
二.官方网站范例
Pysal官方网站，最上面有三个例子。 http://pysal.org/
如果沿着这3个例子进行操作，也可以认为已经入门了空间分析。
最初柏林的房价是莫兰指数。
二是分析局部空间自相关的集合图，LISA是localindicationsofspatialassociation。
三是计算空间权重。
三.测试数据
四. demo脚本
我们使用geopython-masterdata的数据berlin-listings.csv和berlin-neighbourhoods.geojson编写了简单的脚本。
空间权重：
fromlibpysal.weights.contiguityimportqueen
导入库
from libpysal import examples
import matplotlib.pyplot as plt
导入geo pandas as GPD
froms plot.libpysalimportplot _ spatial _ weights
GDF=GPD.read _ file (data/Berlin-neighbourhood s.geo JSON ) )
print(GDF.head ) )
weights=queen.from _ data frame (GDF )
plot_spatial_weights(weights，gdf ) )。
plt.show () )
房价分布情况：
导入esda
import pandas as pd
导入geo pandas as GPD
fromgeopandasimportgeodataframe
import libpysal as lps
import numpy as np
import matplotlib.pyplot as plt
from shapely.geometryimportpoint
# %matplotlib inline
GDF=GPD.read _ file (data/Berlin-neighbourhood s.geo JSON ) )
bl _ df=PD.read _ CSV (data/Berlin-listings.CSV ) )
geometry=[point(xy ) forxyinzip(bl_df.longitude，bl_df.latitude ) ]
CRS={ ' init ' : ' epsg :4326 ' }
bl_GDF=Geodataframe(bl_df，crs=crs，geometry=geometry ) ) ) )。
bl _ GDF [ ' price ' ]=bl _ GDF [ ' price ' ].as type [ ' float 32 ' ]
SJ_GDF=GPD.sjoin(GDF，bl_gdf，how='inner '，op='intersects '，lsuffix='left '，rsuffix='right )
median _ price _ GB=SJ _ GDF [ ' price ' ].group by [ SJ _ GDF [ ' neighbourhood _ group ' ] ].mean (
打印(median _ price _ GB ) )。
GDF=GDF.join(median_price_GB，on='neighbourhood_group ' ) ) ) ) ) ) ) ) ) ) ) 660 )
GDF.rename (columns={ ' price ' : ' median _ pri ' }，inplace=True ) )
print(GDF.head ) 15 ) ) )。
PD.is null (GDF [ ' median _ pri ' ] (.sum ) ) ) ) ) ) ) ) ) )。
GDF [ ' median _ pri ' ].fill na (GDF [ ' median _ pri ' ].mean )，inplace=True ) )
gdf.plot(column='median_pri ' ) ) ) )。
plt.show () )
LISA聚合图：
导入库
import numpy as np
from giddy.directionalimportrose
import matplotlib.pyplot as plt
f=open (libpysal.examples.get _ path (SPI _ download.CSV )，' r ' ) )
lines=f.readlines (
f.close () )
lines=[line.strip ().split )，)，for line in lines]
names=[ line [2] forlineinlines [ 1:-5 ] ]
DATA=NP.Array([list(map，line[3:] ) ) for line in lines[1:-5]] )
SIDS=list(range(60 ) ) ) ) ) ) ) )
out=[''United States 3/'，
' ' Alaska 3/'，
' ' District of Columbia ' '，
' ' Hawaii 3/'，
' ' New England '、' ' Mideast '、
" ' Great Lakes ' "，
“' Plains '”，
" ' Southeast ' "，
" ' Southwest ' "，
' ' Rocky Mountain ' '，
“' far west3/' '”
snames=[ namefornameinnamesifnamenotinout ]
sids=[names.index(name ) for name in snames]
states=data[sids，]
us=data[0]
years=NP.arange (1969，2009 ) ) ) ) ) ) )。
REL=States/(us*1. ) ) )。
gal=libpysal.io.open (libpysal.examples.get _ path (States 48.gal ) )
w=gal.read ()
w.transform='r '
Y=rel[:[0，-1]]
# Y.shape
# Y
NP.Random.seed(100 ) )。
R4=rose(y，w，k=4) )。
r4.plot () )
plt.show () )
五.总结
空间分析，Geoda和pysal，都可以用。 只要达到目的，就可以使用软件，也可以写程序。