data-io

# 读取与写入空间数据 ## 读取文件 使用 `geopandas.read_file()` 导入矢量空间数据： python import geopandas as gpd # 从文件读取 gdf = gpd.read_file("data.shp") gdf = gpd.read_file("data.geojson") gdf = gpd.read_file("data.gpkg") # 从 URL 读取 gdf = gpd.read_file("https://example.com/data.geojson") # 从 ZIP 压缩包读取 gdf = gpd.read_file("data.zip") ### 性能：Arrow 加速 若要获得 2-4 倍的读取速度，请使用 Arrow： python gdf = gpd.read_file("data.gpkg", use_arrow=True) 需要安装 PyArrow：`uv pip install pyarrow` ### 读取时过滤 预先过滤数据以仅加载所需内容： python # 加载特定行 gdf = gpd.read_file("data.gpkg", rows=100) # 前 100 行 gdf = gpd.read_file("data.gpkg", rows=slice(10, 20)) # 第 10-20 行 # 加载特定列 gdf = gpd.read_file("data.gpkg", columns=['name', 'population']) # 使用边界框进行空间过滤 gdf = gpd.read_file("data.gpkg", bbox=(xmin, ymin, xmax, ymax)) # 使用几何掩码进行空间过滤 gdf = gpd.read_file("data.gpkg", mask=polygon_geometry) # SQL WHERE 子句 (需要 Fiona 1.9+ 或 Pyogrio) gdf = gpd.read_file("data.gpkg", where="population > 1000000") # 跳过几何信息 (返回 pandas DataFrame) df = gpd.read_file("data.gpkg", ignore_geometry=True) ## 写入文件 使用 `to_file()` 进行导出： python # 写入 Shapefile gdf.to_file("output.shp") # 写入 GeoJSON gdf.to_file("output.geojson", driver='GeoJSON') # 写入 GeoPackage (支持多图层) gdf.to_file("output.gpkg", layer='layer1', driver="GPKG") # 使用 Arrow 加速写入 gdf.to_file("output.gpkg", use_arrow=True) ### 支持的格式 列出所有可用的驱动程序： python import pyogrio pyogrio.list_drivers() 常见格式：Shapefile, GeoJSON, GeoPackage (GPKG), KML, MapInfo File, CSV (带 WKT 几何信息) ## Parquet 和 Feather 列式存储格式，保留空间信息并支持多个几何列： python # 写入 gdf.to_parquet("data.parquet") gdf.to_feather("data.feather") # 读取 gdf = gpd.read_parquet("data.parquet") gdf = gpd.read_feather("data.feather") 优势： - 比传统格式更快的 I/O - 更好的压缩率 - 保留多个几何列 - 支持模式版本控制 ## PostGIS 数据库 ### 从 PostGIS 读取 python from sqlalchemy import create_engine engine = create_engine('postgresql://user:password@host:port/database') # 读取整个表