首页
学习
活动
专区
圈层
工具
发布

gis经纬度坐标转换多格式兼容:支持字符串数组GeoJSON

*//** * Created by Wandergis on 2015/7/8. * 提供了百度坐标(BD09)、国测局坐标(火星坐标,GCJ02)、和WGS84坐标系之间的转换 * https:/..., +lat]  }  /**   * 百度坐标系 (BD-09) 与 火星坐标系 (GCJ-02)的转换   * 即 百度 转 谷歌、高德   * @param bd_lon   * @param bd_lat.../**   * 火星坐标系 (GCJ-02) 与百度坐标系 (BD-09) 的转换   * 即谷歌、高德 转 百度   * @param lng   * @param lat   * @returns ..., bd_lat])  }  /**   * WGS84转GCj02   * @param lng   * @param lat   * @returns {*[]}   */  wgs84togcj02... + dlat      let mglng = lng + dlng      return this.toFixed([mglng, mglat])    }  }  /**   * GCJ02 转换为

1.2K10
  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    python实现地理位置类数据爬取与geohash应用初探

    最近想做一个简单的地理位置分析,比如获取一些城市公交站点对应的geohash,geohash其实是将平时常见的经纬度进行了降维,这样可以进行类似附近的餐馆等内容的分析。 ---- 1....(如:北京市海淀区上地十街十号)转换为对应坐标点(经纬度)功能; 逆向地理编码服务提供将坐标点(经纬度)转换为对应位置信息(如所在行政区划,周边地标点分布)功能。...address=&output=json&ak=xpKTc80ZnEGiy1elZCMtEepEYKj5tqQr ---- 细心的读者可能发现,百度地图的api 有两个版本的接口,一个旧版本一个新版本(...(lng, lat): """ WGS84转GCJ02(火星坐标系) :param lng:WGS84坐标系的经度 :param lat:WGS84坐标系的纬度...GCJ02(火星坐标系)转GPS84 :param lng:火星坐标系的经度 :param lat:火星坐标系纬度 :return: """ if out_of_china

    4.2K40

    Python 优雅地利用两点经纬度计算地理空间距离

    一、基本原理 处理地理数据时,经常需要用到两个地理位置间的距离。...已知地球上任意两点(lng1,lat1),(lng2, lat2)的经纬度坐标,求两点间的距离可以利用 haversine 公式: 首先先将经纬度坐标的角度化成弧度(rlng1,rlat1),(rlng2...# 将两个参数放入字典 res = requests.get(url, params) # pprint(json.loads(res.text)) results = json.loads(res.text..., lng0, lat1, lng1): # 用haversine公式计算球面两点间的距离 # 经纬度转换成弧度 lat0 = radians(lat0) lat1 =...主要有以下几个功能: 地理编码:将字符串转换为地理位置 逆地理编码:用于将地理坐标转换为具体地址 计算两个点的距离:经纬度距离和球面距离 pip install安装上即可 pip install geopy

    13.9K10

    Geohash原理

    如下两个图所示,一个在城区,一个在郊区,城区的GeoHash字符串之间比较相似,郊区的字符串之间也比较相似,而城区和郊区的GeoHash字符串相似程度要低些。...由于GeoHash是将区域划分为一个个规则矩形,并对每个矩形进行编码,这样在查询附近POI信息时会导致以下问题,比如红色的点是我们的位置,绿色的两个点分别是附近的两个餐馆,但是在查询的时候会发现距离较远餐馆的...输入围栏点坐标集合List points和指定的geohash长度length 2. 计算围栏的外包矩形的左上角和右下角坐标lat_min、lat_max、lng_min、lng_max 3....根据lat_min、lat_max、lng_min、lng_max,计算外包矩形对角定点的距离d 4....lat_min,lat_max,lng_min,lng_max 4.4 计算lat_min,lat_max,lng_min,lng_max对应范围内左右geohash的二进制编码,然后将经纬度二进制编码

    6.9K40

    基础教程:用Python提取出租车GPS数据中的OD行程信息

    本文为知乎网友的咨询,经同意后发布。 在本文中,我们将探讨如何使用Python和Pandas库来提取出租车行程数据。这个过程涉及到数据清洗、行程识别、以及行程信息提取等多个步骤。...例如,时间戳需要转换为标准的日期时间格式,以便于后续的处理。...具体操作如下: (1)将时间戳转换为时间格式 # 定义一个年月日字符串 由数据源官网可知数据所在日期是2013-10-22 default_date_str = '2013-10-22 ' # 将时间转换为字符串...我们将按照以下步骤进行操作: 对数据进行排序,确保按照每辆车的编号和时间顺序排列。 识别每辆车的行程开始和结束点。 提取每个行程的相关信息,包括起点和终点的经纬度以及开始和结束时间。...现在我将开始进行这些步骤的实现。 已经成功提取了每辆车的每个行程信息,包括每个行程的起点和终点经纬度以及开始和结束时间。

    1.5K11

    在模仿中精进数据可视化01:国内38城居住自由指数

    lng in range(10, 220)]) for lat in range(-90, -79, 2)]}, crs='EPSG:4326') 构造好数据之后,将经线与纬线对应的GeoDataFrame...3种指标数据转换为3条样式不同的折线。...首先我们来准备数据,因为原报告中只能找到居住自由指数的具体数值,其他两个指标未提供,因此我们可以结合这3个数值的相互关系,推断出每个城市的购房自由指数与租房自由指数1个比自身的居住自由指数高,1个比居住自由指数低的规律来...利用下面的函数实现0-100向-90到-80的线性映射: 图8 接下来我们就来为每个指标构造线与散点部分的矢量数据,并在统一转换坐标参考系到「正射投影」之后叠加到之前的图像上: # 为每个城市生成1条经线...,首先我们分别构造购房自由指数_映射值和租房自由指数_映射值引入南极点后所围成的多边形: 图10 图11 接下来我们先暂停下来思考思考,购房自由指数_映射值与租房自由指数_映射值之间彼此高低起伏交错而形成的填充区域对应着上面两个多边形之间的什么关系

    1.1K30

    【实战】我背着女朋友,用 Python 偷偷抓取了她的行踪

    3 编 写 脚 本 整个操作分为 3 步骤,分别是获取图片的经度和纬度、对经度和纬度进行数据矫正、调用高德逆地理编码 API 获取具体位置。 第 1 步,获取图片的「经度和纬度」。...return 如果女友没有撒谎,那么可以进行第 2 步的操作。 因为通过 GPS 获取的经度、纬度和高德地图的坐标存在一定的误差,这里需要把坐标转换为「火星坐标系」。..., lat): """ WGS84转GCJ02(火星坐标系) :param lng:WGS84坐标系的经度 :param lat:WGS84坐标系的纬度 :return...: """ if out_of_china(lng, lat): # 判断是否在国内 return lng, lat dlat = transformlat(lng...- 105.0, lat - 35.0) dlng = transformlng(lng - 105.0, lat - 35.0) radlat = lat / 180.0 * pi

    1.6K20

    利用python实现地理加权回归(GWR)与网约车订单数据挖掘

    进行数据的转换: ## 将unix时间戳转换为datetime def time_trans(arr): return datetime.datetime.fromtimestamp(int(arr...'].dt.hour ### 把经纬度转化为数字格式(原先是字符串) df['ori_lng'] = pd.to_numeric(df['ori_lng'],errors='coerce') df['...)转GPS84 :param lng:火星坐标系的经度 :param lat:火星坐标系纬度 :return: """ dlat = transformlat(lng...lat): ret = -100.0 + 2.0 * lng + 3.0 * lat + 0.2 * lat * lat + \ 0.1 * lng * lat + 0.2 *...要想回答这个问题,我们首先要看一下我们估计的全局模型的信息: 其中x1(土地利用混合度)和x2(公交站点)这两个变量并不显著,放在GWR模型里并不合适,因此我们计算的GWR模型实际上是有问题的。

    5.5K62

    (在模仿中精进数据可视化01) 全国38城居住自由指数可视化

    图1   而在这个报告中有几张数据可视化作品还是比较可圈可点的,作为(在模仿中精进数据可视化)系列文章的开篇之作,我将基于我观察原始数据可视化作品进而构思出的方式,以纯Python的方式模仿复刻图2所示作品...lng in range(10, 220)]) for lat in range(-90, -79, 2)]}, crs='EPSG:4326')   构造好数据之后,将经线与纬线对应的GeoDataFrame...图5   嘿嘿,是不是底层的参考线已经有内味了~ 2.2.2 绘制指标折线   坐标系以及参考线的逻辑定了下来之后,接下来我们需要将原作品中所展现的3种指标数据转换为3条样式不同的折线。   ...图8   接下来我们就来为每个指标构造线与散点部分的矢量数据,并在统一转换坐标参考系到正射投影之后叠加到之前的图像上: # 为每个城市生成1条经线 lng_lines = gpd.GeoDataFrame...图11   接下来我们先暂停下来思考思考,购房自由指数_映射值与租房自由指数_映射值之间彼此高低起伏交错而形成的填充区域对应着上面两个多边形之间的什么关系?没错!

    1.1K10
    领券