在某个城市随机生成坐标，并画灰度图

Question

怎么使用python在某一个城市随机生成经纬度坐标，并在这种灰色图中画出来呢

Answer 1

引自免费微信小程序：皆我百晓生

要实现这个功能，我们可以使用Python中的几个库：matplotlib用于绘制地图和点，geopandas处理地理空间数据，以及random生成随机数。首先确保安装了所需的库，可以使用以下命令进行安装：

pip install geopandas matplotlib descartes

接下来，我们将编写一个函数来生成随机坐标并将其绘制成灰度图。这里我们以南京为例，因为题目提到了南京市厨余油脂回收网络。

import random
import matplotlib.pyplot as plt
from matplotlib.collections import RegularPolyCollection
import geopandas as gpd
from shapely.geometry import Point

# 加载南京市边界数据（可以从网上下载相应城市的shapefile）
nanjing_boundaries = gpd.read_file("path/to/nanjing_boundary.shp")

def generate_random_points(n, city_boundaries):
    random_points = []
    
    # 遍历指定次数
    for _ in range(n):
        # 生成随机经度和纬度，范围应限制在城市边界内
        random_longitude = random.uniform(city_boundaries.total_bounds[0], city_boundaries.total_bounds[2])
        random_latitude = random.uniform(city_boundaries.total_bounds[1], city_boundaries.total_bounds[3])
        
        # 创建Point对象并将它添加到列表中
        random_point = Point(random_longitude, random_latitude)
        random_points.append(random_point)
    
    return random_points

def plot_random_points(points, city_boundaries, ax=None, color='gray'):
    if ax is None:
        fig, ax = plt.subplots(figsize=(10, 10))

    # 绘制城市边界
    city_boundaries.plot(ax=ax, facecolor='none', edgecolor='black')

    # 使用RegularPolyCollection绘制点，这样可以控制点的大小和颜色
    collection = RegularPolyCollection(
        sizes=[100],  # 点的大小
        offsets=points,  # 点的位置
        facecolors=color,  # 点的颜色
        edgecolors=color,
        offset_transform=ax.transData
    )
    ax.add_collection(collection)

    # 设置坐标轴不可见
    ax.axis('off')
    ax.set_title("南京市厨余油脂回收网络")
    plt.tight_layout()
    plt.show()

# 生成10个随机点作为示例
n_random_points = 10
random_points = generate_random_points(n_random_points, nanjing_boundaries)

# 绘制随机点
plot_random_points(random_points, nanjing_boundaries)

在这个例子中，你需要替换"path/to/nanjing_boundary.shp"为实际的城市边界shapefile路径。运行这段代码后，会生成一张南京市的地图，上面有10个随机分布的点，代表可能的餐饮点、收运点等位置。你可以根据需要调整随机点的数量。

注意，这只是一个基础的示例，实际应用中可能还需要考虑更多的因素，例如避开已有的设施位置、人口密度等。如果你需要更复杂的功能，可能需要引入其他数据源和算法来进行分析。