#!/usr/bin/env python # coding: utf-8 import pandas as pd import tables import numpy as np import pandas as pd import seaborn as sns import os # 27都市の名前(フォルダを作成する用) City27 = ['さいたま市','京都市','仙台市','北九州市','千葉市', '名古屋市','堺市','大阪市','岡山市','川崎市','広島市', '新潟市','横浜市','浜松市','熊本市','相模原市','神戸市', '福岡市','静岡市','札幌市','宇都宮市','船橋市','姫路市', '東大阪市','鹿児島市','川口市','松山市'] # SEIREI 27都市中で政令指定都市であるもの Cityname_SEIREI = ['Saitama','Kyoto','Sendai','Kitakyushu','Chiba', 'Nagoya','Sakai','Osaka','Okayama','Kawasaki','Hiroshima', 'Niigata','Yokohama','Hamamatsu','Kumamoto','Sagamihara', 'Kobe','Fukuoka','Shizuoka','Sapporo'] City00_SEIREI = ['さいたま市','京都市','仙台市','北九州市','千葉市', '名古屋市','堺市','大阪市','岡山市','川崎市','広島市', '新潟市','横浜市','浜松市','熊本市','相模原市','神戸市', '福岡市','静岡市','札幌市'] # SIKUCHOSON 27都市中で政令指定都市でないもの Cityname_SIKUCHOSON = ['Utsunomiya','Funabashi','Himezi', 'Higashiosaka','kagoshima','kawaguchi','Matsuyama'] City00_SIKUCHOSON = ['宇都宮市','船橋市','姫路市','東大阪市', '鹿児島市','川口市','松山市'] ## LSTの処理 # 都市ごとのフォルダを作る os.makedirs("./Data/27City_LST/", exist_ok=True) for j in range(len(City27)): os.makedirs("./Data/27City_LST/" + City27[j], exist_ok=True) path = "./Data/JapanAttributeData_LST" files = os.listdir(path) ff = files[0:] # 27都市ごとにデータを切り分ける(LST) for i in range(len(ff)): City = pd.read_csv(path + "/" + ff[i],header=0,engine="python", encoding='utf_8_sig') # いつのデータか when = ff[i][5:12] ### SIKUCHOSON名が一致しているものを取り出す for r in range(len(Cityname_SIKUCHOSON)): City1 = City[City["SIKUCHOSON"].str.contains(City00_SIKUCHOSON[r], na=False)] CC11 = City1.loc[:,['X','Y','LST']] CC11.to_csv("./Data/27City_LST/" + City00_SIKUCHOSON[r] + "/" + Cityname_SIKUCHOSON[r] + 'City_' + str(when) +'_LST.csv') ### SEIREI名が一致しているものを取り出す for q in range(len(Cityname_SEIREI)): City2 = City[City["SEIREI"].str.contains( City00_SEIREI[q], na=False)] CC22 = City2.loc[:,['X','Y','LST']] CC22.to_csv("./Data/27City_LST/" + City00_SEIREI[q] + "/" + Cityname_SEIREI[q] + 'City_' + str(when) +'_LST.csv') ## NDVIの処理 # 都市ごとのフォルダを作る os.makedirs("./Data/27City_NDVI/", exist_ok=True) for j in range(len(City27)): os.makedirs("./Data/27City_NDVI/" + City27[j], exist_ok=True) path = "./Data/JapanAttributeData_NDVI" files = os.listdir(path) ff = files[0:] ff[0][6:13] # 27都市ごとにデータを切り分ける(NDVI) for i in range(len(ff)): City = pd.read_csv(path + "/" + ff[i],header=0,engine="python", encoding='utf_8_sig') # いつのデータか when = ff[i][6:13] ### SIKUCHOSON名が一致しているものを取り出す for r in range(len(Cityname_SIKUCHOSON)): City1 = City[City["SIKUCHOSON"].str.contains( City00_SIKUCHOSON[r], na=False)] CC11 = City1.loc[:,['X','Y','NDVI']] CC11.to_csv("./Data/27City_NDVI/" + City00_SIKUCHOSON[r] + "/" + Cityname_SIKUCHOSON[r] + 'City_' + str(when) +'_NDVI.csv') ### SEIREI名が一致しているものを取り出す for q in range(len(Cityname_SEIREI)): City2 = City[City["SEIREI"].str.contains(City00_SEIREI[q], na=False)] CC22 = City2.loc[:,['X','Y','NDVI']] CC22.to_csv("./Data/27City_NDVI/" + City00_SEIREI[q] + "/" + Cityname_SEIREI[q] + 'City_' + str(when) +'_NDVI.csv')
[GRASSのインストール、標高データを用いた地滑り危険度マップの作成]
[植生指数 (NDVI) の計算、表示]
[標高データ (SRTM)の表示、植生指数 (NDVI) の3次元表示]
[反射率、輝度温度、標高データを用いた土地被覆分類]
[QGIS, Rを用いた公示地価データの空間統計分析:空間的自己回帰モデル]
[QGIS, Rを用いた公示地価データの空間統計分析:静的な時空間モデリング]
[Rを用いた衛星データ(LST, NDVI)の空間統計分析]
[Pythonを用いた空間統計分析のための衛星データ(LST, NDVI)の処理1(市町村別データの生成)]
[Pythonを用いた空間統計分析のための衛星データ(LST, NDVI)の処理2(人口データの重みを加味した市町村別データの生成)]