Visualización Geoespacial¶

Introducción¶

Datos espaciales son aquellos que contienen información sobre la ubicación o forma de objetos en el espacio. Python ofrece un ecosistema maduro para trabajar con ellos: desde manipulación hasta visualización estática e interactiva.

In [5]:

import geopandas as gpd
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.colors as mcolors
import seaborn as sns
from shapely.geometry import Point, LineString, Polygon

import geopandas as gpd import pandas as pd import numpy as np import matplotlib.pyplot as plt import matplotlib.colors as mcolors import seaborn as sns from shapely.geometry import Point, LineString, Polygon

Conceptos fundamentales¶

Tipos de geometría¶

Tipo	Descripción	Ejemplo
Point	Un par de coordenadas (x, y)	Ubicación de una escuela
LineString	Secuencia ordenada de puntos	Trayectoria de una calle
Polygon	Área cerrada (anillo exterior + huecos)	Límite de una comuna
MultiPoint	Colección de puntos	Paradas de un bus
MultiPolygon	Colección de polígonos	Regiones con islas

Sistemas de referencia de coordenadas (CRS)¶

El CRS define cómo se proyectan las coordenadas sobre el espacio.

CRS	EPSG	Uso típico
WGS 84 (geográfico)	4326	GPS, coordenadas lon/lat
Web Mercator	3857	Mapas web (Google, OSM)
UTM zona 19S	32719	Chile continental (metros)

# Verificar y reproyectar
gdf = gpd.read_file("mi_archivo.shp")
print(gdf.crs)                          # ver CRS actual
gdf_utm = gdf.to_crs(epsg=32719)        # reproyectar a UTM

Regla práctica: usa epsg=4326 para visualizar, epsg=32719 (Chile) para medir distancias o áreas.

Crear y cargar GeoDataFrames¶

Desde coordenadas sueltas¶

In [9]:

datos = {
    "ciudad": ["Santiago", "Valparaíso", "Concepción"],
    "lat":    [-33.45, -33.04, -36.82],
    "lon":    [-70.67, -71.62, -73.05],
    "poblacion": [6_800_000, 300_000, 220_000]
}
df = pd.DataFrame(datos)

gdf = gpd.GeoDataFrame(
    df,
    geometry=gpd.points_from_xy(df["lon"], df["lat"]),
    crs="EPSG:4326"
)
gdf.head()

datos = { "ciudad": ["Santiago", "Valparaíso", "Concepción"], "lat": [-33.45, -33.04, -36.82], "lon": [-70.67, -71.62, -73.05], "poblacion": [6_800_000, 300_000, 220_000] } df = pd.DataFrame(datos) gdf = gpd.GeoDataFrame( df, geometry=gpd.points_from_xy(df["lon"], df["lat"]), crs="EPSG:4326" ) gdf.head()

Out[9]:

	ciudad	lat	lon	poblacion	geometry
0	Santiago	-33.45	-70.67	6800000	POINT (-70.67 -33.45)
1	Valparaíso	-33.04	-71.62	300000	POINT (-71.62 -33.04)
2	Concepción	-36.82	-73.05	220000	POINT (-73.05 -36.82)

Desde un archivo (shapefile, GeoJSON, GPKG)¶

In [7]:

url = "https://raw.githubusercontent.com/nvkelso/natural-earth-vector/master/geojson/ne_110m_admin_0_countries.geojson"
mundo = gpd.read_file(url)

mundo.head()

url = "https://raw.githubusercontent.com/nvkelso/natural-earth-vector/master/geojson/ne_110m_admin_0_countries.geojson" mundo = gpd.read_file(url) mundo.head()

Out[7]:

	featurecla	scalerank	LABELRANK	SOVEREIGNT	SOV_A3	ADM0_DIF	LEVEL	TYPE	TLC	ADMIN	...	FCLASS_TR	FCLASS_ID	FCLASS_PL	FCLASS_GR	FCLASS_IT	FCLASS_NL	FCLASS_SE	FCLASS_BD	FCLASS_UA	geometry
0	Admin-0 country	1	6	Fiji	FJI	0	2	Sovereign country	1	Fiji	...	None	None	None	None	None	None	None	None	None	MULTIPOLYGON (((180 -16.06713, 180 -16.55522, ...
1	Admin-0 country	1	3	United Republic of Tanzania	TZA	0	2	Sovereign country	1	United Republic of Tanzania	...	None	None	None	None	None	None	None	None	None	POLYGON ((33.90371 -0.95, 34.07262 -1.05982, 3...
2	Admin-0 country	1	7	Western Sahara	SAH	0	2	Indeterminate	1	Western Sahara	...	Unrecognized	Unrecognized	Unrecognized	None	None	Unrecognized	None	None	None	POLYGON ((-8.66559 27.65643, -8.66512 27.58948...
3	Admin-0 country	1	2	Canada	CAN	0	2	Sovereign country	1	Canada	...	None	None	None	None	None	None	None	None	None	MULTIPOLYGON (((-122.84 49, -122.97421 49.0025...
4	Admin-0 country	1	2	United States of America	US1	1	2	Country	1	United States of America	...	None	None	None	None	None	None	None	None	None	MULTIPOLYGON (((-122.84 49, -120 49, -117.0312...

5 rows × 169 columns

In [ ]:

fig, ax = plt.subplots(figsize=(14, 7))
mundo.plot(
    column="POP_EST",
    cmap="YlOrRd",
    legend=True,
    legend_kwds={"label": "Población estimada", "shrink": 0.6},
    ax=ax
)
ax.set_title("Población mundial por país", fontsize=14)
ax.set_axis_off()
plt.tight_layout()
plt.show()

fig, ax = plt.subplots(figsize=(14, 7)) mundo.plot( column="POP_EST", cmap="YlOrRd", legend=True, legend_kwds={"label": "Población estimada", "shrink": 0.6}, ax=ax ) ax.set_title("Población mundial por país", fontsize=14) ax.set_axis_off() plt.tight_layout() plt.show()

Exploración básica¶

In [10]:

print(gdf.shape)         # filas, columnas
print(gdf.crs)           # sistema de referencia
print(gdf.geometry.type) # tipo de geometría por fila
gdf.explore()            # mapa interactivo rápido (requiere folium)

print(gdf.shape) # filas, columnas print(gdf.crs) # sistema de referencia print(gdf.geometry.type) # tipo de geometría por fila gdf.explore() # mapa interactivo rápido (requiere folium)

(3, 5)
EPSG:4326
0    Point
1    Point
2    Point
dtype: object

Out[10]:

Make this Notebook Trusted to load map: File -> Trust Notebook

Mapa Coroplético¶

Cuándo: mostrar la variación de una variable numérica por área geográfica (regiones, comunas, países). El color codifica el valor.

Básico — gdf.plot()¶

In [11]:

fig, ax = plt.subplots(figsize=(14, 7))
mundo.plot(
    column="POP_EST",
    cmap="YlOrRd",
    legend=True,
    legend_kwds={"label": "Población estimada", "shrink": 0.6},
    ax=ax
)
ax.set_title("Población mundial por país", fontsize=14)
ax.set_axis_off()
plt.tight_layout()
plt.show()

fig, ax = plt.subplots(figsize=(14, 7)) mundo.plot( column="POP_EST", cmap="YlOrRd", legend=True, legend_kwds={"label": "Población estimada", "shrink": 0.6}, ax=ax ) ax.set_title("Población mundial por país", fontsize=14) ax.set_axis_off() plt.tight_layout() plt.show()

Con escala logarítmica¶

Útil cuando los valores tienen rangos muy amplios:

In [12]:

import matplotlib.colors as mcolors

fig, ax = plt.subplots(figsize=(14, 7))
mundo.plot(
    column="POP_EST",
    cmap="YlOrRd",
    norm=mcolors.LogNorm(
        vmin=mundo["POP_EST"].min(),
        vmax=mundo["POP_EST"].max()
    ),
    legend=True,
    ax=ax
)
ax.set_title("Población mundial (escala log)", fontsize=14)
ax.set_axis_off()
plt.show()

import matplotlib.colors as mcolors fig, ax = plt.subplots(figsize=(14, 7)) mundo.plot( column="POP_EST", cmap="YlOrRd", norm=mcolors.LogNorm( vmin=mundo["POP_EST"].min(), vmax=mundo["POP_EST"].max() ), legend=True, ax=ax ) ax.set_title("Población mundial (escala log)", fontsize=14) ax.set_axis_off() plt.show()

Con clasificación manual (quantiles / breaks)¶

In [13]:

fig, axes = plt.subplots(1, 2, figsize=(16, 5))

for ax, scheme in zip(axes, ["quantiles", "naturalbreaks"]):
    mundo.plot(
        column="GDP_MD",
        scheme=scheme,
        k=5,
        cmap="Blues",
        legend=True,
        ax=ax
    )
    ax.set_title(f"PIB — clasificación: {scheme}")
    ax.set_axis_off()

plt.tight_layout()
plt.show()

fig, axes = plt.subplots(1, 2, figsize=(16, 5)) for ax, scheme in zip(axes, ["quantiles", "naturalbreaks"]): mundo.plot( column="GDP_MD", scheme=scheme, k=5, cmap="Blues", legend=True, ax=ax ) ax.set_title(f"PIB — clasificación: {scheme}") ax.set_axis_off() plt.tight_layout() plt.show()

scheme requiere el paquete mapclassify. Opciones: quantiles, naturalbreaks, equalinterval, jenks.

Mapa de Puntos¶

Cuándo: ubicar eventos o entidades discretas sobre el mapa. El tamaño o color del punto puede codificar una tercera variable.

Puntos simples sobre un fondo base¶

In [15]:

ciudades = gpd.GeoDataFrame({
    "ciudad":    ["Santiago", "Valparaíso", "Concepción", "La Serena", "Temuco"],
    "poblacion": [6_800_000, 300_000, 220_000, 210_000, 280_000],
    "geometry":  gpd.points_from_xy(
        [-70.67, -71.62, -73.05, -71.25, -72.59],
        [-33.45, -33.04, -36.82, -29.90, -38.73]
    )
}, crs="EPSG:4326")

chile = mundo[mundo["NAME"] == "Chile"]

fig, ax = plt.subplots(figsize=(6, 10))
chile.plot(ax=ax, color="lightgrey", edgecolor="white")
ciudades.plot(
    ax=ax,
    column="poblacion",
    cmap="Reds",
    markersize=ciudades["poblacion"] / 50_000,  # tamaño proporcional
    legend=True,
    legend_kwds={"label": "Población"}
)
ax.set_title("Ciudades de Chile por población")
ax.set_axis_off()
plt.show()

ciudades = gpd.GeoDataFrame({ "ciudad": ["Santiago", "Valparaíso", "Concepción", "La Serena", "Temuco"], "poblacion": [6_800_000, 300_000, 220_000, 210_000, 280_000], "geometry": gpd.points_from_xy( [-70.67, -71.62, -73.05, -71.25, -72.59], [-33.45, -33.04, -36.82, -29.90, -38.73] ) }, crs="EPSG:4326") chile = mundo[mundo["NAME"] == "Chile"] fig, ax = plt.subplots(figsize=(6, 10)) chile.plot(ax=ax, color="lightgrey", edgecolor="white") ciudades.plot( ax=ax, column="poblacion", cmap="Reds", markersize=ciudades["poblacion"] / 50_000, # tamaño proporcional legend=True, legend_kwds={"label": "Población"} ) ax.set_title("Ciudades de Chile por población") ax.set_axis_off() plt.show()

Añadir etiquetas¶

In [16]:

for _, row in ciudades.iterrows():
    ax.annotate(
        row["ciudad"],
        xy=(row.geometry.x, row.geometry.y),
        xytext=(3, 3),
        textcoords="offset points",
        fontsize=9
    )

for _, row in ciudades.iterrows(): ax.annotate( row["ciudad"], xy=(row.geometry.x, row.geometry.y), xytext=(3, 3), textcoords="offset points", fontsize=9 )

5. Mapa de Líneas¶

Cuándo: representar rutas, ríos, calles o trayectorias.

In [17]:

from shapely.geometry import LineString

rutas = gpd.GeoDataFrame({
    "nombre": ["Ruta 5 Sur", "Ruta 68"],
    "geometry": [
        LineString([(-70.67, -33.45), (-72.05, -36.82)]),
        LineString([(-70.67, -33.45), (-71.62, -33.04)])
    ]
}, crs="EPSG:4326")

fig, ax = plt.subplots(figsize=(6, 10))
chile.plot(ax=ax, color="lightgrey", edgecolor="white")
rutas.plot(ax=ax, column="nombre", cmap="tab10",
           linewidth=2, legend=True)
ax.set_title("Rutas principales")
ax.set_axis_off()
plt.show()

from shapely.geometry import LineString rutas = gpd.GeoDataFrame({ "nombre": ["Ruta 5 Sur", "Ruta 68"], "geometry": [ LineString([(-70.67, -33.45), (-72.05, -36.82)]), LineString([(-70.67, -33.45), (-71.62, -33.04)]) ] }, crs="EPSG:4326") fig, ax = plt.subplots(figsize=(6, 10)) chile.plot(ax=ax, color="lightgrey", edgecolor="white") rutas.plot(ax=ax, column="nombre", cmap="tab10", linewidth=2, legend=True) ax.set_title("Rutas principales") ax.set_axis_off() plt.show()

Operaciones espaciales útiles¶

Buffer — área de influencia¶

In [18]:

gdf_utm = ciudades.to_crs(epsg=32719)
buffer_50km = gdf_utm.copy()
buffer_50km["geometry"] = gdf_utm.geometry.buffer(50_000)  # 50 km

fig, ax = plt.subplots(figsize=(6, 10))
chile.to_crs(epsg=32719).plot(ax=ax, color="lightgrey")
buffer_50km.plot(ax=ax, alpha=0.3, color="steelblue", edgecolor="navy")
gdf_utm.plot(ax=ax, color="red", markersize=20)
ax.set_title("Buffer de 50 km alrededor de ciudades")
ax.set_axis_off()
plt.show()

gdf_utm = ciudades.to_crs(epsg=32719) buffer_50km = gdf_utm.copy() buffer_50km["geometry"] = gdf_utm.geometry.buffer(50_000) # 50 km fig, ax = plt.subplots(figsize=(6, 10)) chile.to_crs(epsg=32719).plot(ax=ax, color="lightgrey") buffer_50km.plot(ax=ax, alpha=0.3, color="steelblue", edgecolor="navy") gdf_utm.plot(ax=ax, color="red", markersize=20) ax.set_title("Buffer de 50 km alrededor de ciudades") ax.set_axis_off() plt.show()

Mapas interactivos¶

gdf.explore() — mapas rápidos con folium¶

In [23]:

mundo.explore(
    column="POP_EST",
    cmap="YlOrRd",
    tooltip=["NAME", "POP_EST"],
    popup=True,
    tiles="CartoDB positron"
)

mundo.explore( column="POP_EST", cmap="YlOrRd", tooltip=["NAME", "POP_EST"], popup=True, tiles="CartoDB positron" )

Out[23]:

Make this Notebook Trusted to load map: File -> Trust Notebook

folium — control total¶

In [26]:

import folium

ciudades = gpd.GeoDataFrame({
    "ciudad":    ["Santiago", "Valparaíso", "Concepción", "La Serena", "Temuco"],
    "poblacion": [6_800_000, 300_000, 220_000, 210_000, 280_000],
    "geometry":  gpd.points_from_xy(
        [-70.67, -71.62, -73.05, -71.25, -72.59],
        [-33.45, -33.04, -36.82, -29.90, -38.73]
    )
}, crs="EPSG:4326")

chile = mundo[mundo["NAME"] == "Chile"]

m = folium.Map(location=[-33.45, -70.67], zoom_start=5)

for _, row in ciudades.iterrows():
    folium.CircleMarker(
        location=[row.geometry.y, row.geometry.x],
        radius=row["poblacion"] / 500_000,
        color="crimson",
        fill=True,
        tooltip=f"{row['ciudad']}: {row['poblacion']:,}"
    ).add_to(m)

m  # en Jupyter renderiza inline

import folium ciudades = gpd.GeoDataFrame({ "ciudad": ["Santiago", "Valparaíso", "Concepción", "La Serena", "Temuco"], "poblacion": [6_800_000, 300_000, 220_000, 210_000, 280_000], "geometry": gpd.points_from_xy( [-70.67, -71.62, -73.05, -71.25, -72.59], [-33.45, -33.04, -36.82, -29.90, -38.73] ) }, crs="EPSG:4326") chile = mundo[mundo["NAME"] == "Chile"] m = folium.Map(location=[-33.45, -70.67], zoom_start=5) for _, row in ciudades.iterrows(): folium.CircleMarker( location=[row.geometry.y, row.geometry.x], radius=row["poblacion"] / 500_000, color="crimson", fill=True, tooltip=f"{row['ciudad']}: {row['poblacion']:,}" ).add_to(m) m # en Jupyter renderiza inline

Out[26]:

Make this Notebook Trusted to load map: File -> Trust Notebook

Mapas de calor (densidad espacial)¶

KDE espacial con scipy¶

In [30]:

from scipy.stats import gaussian_kde

coords = np.vstack([ciudades.geometry.x, ciudades.geometry.y])
kde = gaussian_kde(coords)

# Evaluar sobre una grilla
xi, yi = np.mgrid[-76:-66:200j, -56:-17:200j]
zi = kde(np.vstack([xi.ravel(), yi.ravel()])).reshape(xi.shape)

fig, ax = plt.subplots(figsize=(6, 10))
chile.plot(ax=ax, color="lightgrey", edgecolor="white")
ax.contourf(xi, yi, zi, levels=15, cmap="hot_r", alpha=0.6)
ax.set_title("Densidad KDE de ciudades")
ax.set_axis_off()
plt.show()

from scipy.stats import gaussian_kde coords = np.vstack([ciudades.geometry.x, ciudades.geometry.y]) kde = gaussian_kde(coords) # Evaluar sobre una grilla xi, yi = np.mgrid[-76:-66:200j, -56:-17:200j] zi = kde(np.vstack([xi.ravel(), yi.ravel()])).reshape(xi.shape) fig, ax = plt.subplots(figsize=(6, 10)) chile.plot(ax=ax, color="lightgrey", edgecolor="white") ax.contourf(xi, yi, zi, levels=15, cmap="hot_r", alpha=0.6) ax.set_title("Densidad KDE de ciudades") ax.set_axis_off() plt.show()

Heatmap con folium¶

In [31]:

from folium.plugins import HeatMap

coords_lista = [[row.geometry.y, row.geometry.x]
                for _, row in ciudades.iterrows()]

m = folium.Map(location=[-35, -71], zoom_start=5)
HeatMap(coords_lista, radius=40).add_to(m)
m

from folium.plugins import HeatMap coords_lista = [[row.geometry.y, row.geometry.x] for _, row in ciudades.iterrows()] m = folium.Map(location=[-35, -71], zoom_start=5) HeatMap(coords_lista, radius=40).add_to(m) m

Out[31]:

Make this Notebook Trusted to load map: File -> Trust Notebook

Subplots temáticos¶

Útil para comparar variables en el mismo espacio geográfico:

In [32]:

variables = ["POP_EST", "GDP_MD"]
titulos   = ["Población estimada", "PIB estimado (M USD)"]

fig, axes = plt.subplots(1, 2, figsize=(16, 6))

for ax, col, titulo in zip(axes, variables, titulos):
    mundo.plot(
        column=col,
        cmap="YlGnBu",
        legend=True,
        legend_kwds={"shrink": 0.6},
        ax=ax
    )
    ax.set_title(titulo, fontsize=12)
    ax.set_axis_off()

plt.suptitle("Indicadores mundiales", fontsize=14, y=1.02)
plt.tight_layout()
plt.show()

variables = ["POP_EST", "GDP_MD"] titulos = ["Población estimada", "PIB estimado (M USD)"] fig, axes = plt.subplots(1, 2, figsize=(16, 6)) for ax, col, titulo in zip(axes, variables, titulos): mundo.plot( column=col, cmap="YlGnBu", legend=True, legend_kwds={"shrink": 0.6}, ax=ax ) ax.set_title(titulo, fontsize=12) ax.set_axis_off() plt.suptitle("Indicadores mundiales", fontsize=14, y=1.02) plt.tight_layout() plt.show()