Retour au blog

Surveiller, suivre et enregistrer les données géospatiales du logement avec Python et les fichiers JSON

Global Mapper Pro® est un outil convivial pour les développeurs, conçu pour faciliter l'automatisation. Chaque jour, de plus en plus d'utilisateurs apprennent à tirer parti de ses puissantes fonctionnalités de script et de stockage de données.

De C++ à Python, Global Mapper Pro propose un large éventail de langages pour répondre à vos besoins d'automatisation. Aujourd'hui, nous allons explorer en détail Python et les fichiers JSON afin de montrer comment les utilisateurs peuvent surveiller, suivre et enregistrer des données géospatiales pour gagner du temps et de l'argent. Le flux de travail suivant abordera Python à un niveau intermédiaire et présentera des fonctions personnalisées de Global Mapper.

Améliorez l'efficacité de votre flux de travail avec Python

Imaginez la situation : quatre personnes travaillent sans relâche à l’extraction de données vectorielles depuis Global Mapper, et vous en avez des quantités considérables. Non seulement ces points vectoriels sont à traiter, mais de nouveaux fichiers arrivent chaque jour. Au cours du mois, ces quatre personnes auront cumulé 640 heures de travail, et il leur en reste encore beaucoup à faire. Grâce aux fonctionnalités de script Python disponibles dans Global Mapper Pro, ces tâches complexes et chronophages peuvent être réalisées instantanément.

Nous invitons les utilisateurs qui ne maîtrisent pas les commandes Python dans Global Mapper Pro à suivre notre formation SIG premium à leur rythme : « Les bases de Python dans Global Mapper Pro », disponible sur la plateforme d’apprentissage en ligne Blue Marble Geographics . Nous publions également des exemples de flux de travail détaillés sur notre site web et des informations utiles sur le logiciel dans notre base de connaissances . Enfin, des exemples de scripts Python sont disponibles en téléchargement supplémentaire dans toutes les versions de Global Mapper.

Extraction de données par caractéristiques de zone

Le flux de travail suivant décrit de nombreuses fonctions de Global Mapper en montrant comment extraire des données attributaires à partir d'entités de zone existantes. Cela permet d'effectuer des calculs ultérieurs quasi instantanément.

Supposons que vous ayez plusieurs entités de surface dans Global Mapper représentant des informations foncières à Hawley, dans le Minnesota. Chacune de ces entités est accessible en Python grâce aux commandes appropriées. Global Mapper a ajouté des classes d'encapsulation permettant d'accéder aux fonctions C++ via des scripts Python.

Une boucle for imbriquée à double sens dont l'objectif est de référencer une entité de zone. Ensuite, les attributs à l'intérieur de cette entité, et plus précisément « EMV_TOTAL ». Figure 1.1. Boucle « for » doublement imbriquée dont l’objectif est de référencer une entité surfacique. Ensuite, les attributs à l’intérieur de cette entité, et plus précisément « EMV_TOTAL ».

Stocker les valeurs extraites dans un format de fichier JSON personnalisé

Maintenant que nous avons établi une liste des données essentielles à notre processus, nous pouvons exploiter des bibliothèques Python courantes pour leur stockage et leur interprétation. Le stockage des données est un élément clé de leur préservation et de leur réutilisation. Par exemple, les données immobilières stockées dans un fichier JSON peuvent être envoyées à une base de données SQL et affichées sur une page web. L'automatisation des flux de travail élimine les besoins de maintenance, permettant ainsi aux développeurs de se concentrer sur des tâches plus importantes.

Structures de données Python formatées pour l'utilisation de fichiers JSON Figure 1.2. Structures de données Python formatées pour l'utilisation dans un fichier JSON

Une méthode consiste à stocker ces valeurs dans un format JSON personnalisé en important et en exploitant l'API JSON intégrée de Python. Pour ce faire, nous pouvons créer la structure de données, ajouter des identifiants et écrire les prix des maisons, extraits de l'attribut EMV_TOTAL, dans le fichier JSON à l'intérieur de la boucle for.

Implémentation du dictionnaire Python et écriture du contenu dans un fichier JSON Figure 1.3. Implémentation du dictionnaire Python et écriture du contenu dans un fichier JSON

Les dictionnaires Python ayant une structure similaire à celle des données JSON, nous allons d'abord créer deux dictionnaires, l'un imbriqué dans l'autre. À chaque itération, une nouvelle instance de `home_features` est créée et initialisée avec la valeur de l'attribut `EMV_TOTAL`. Ces structures de données peuvent être aussi complexes ou simples que nécessaire pour représenter les données requises par votre projet.

L'intégration de ce code supplémentaire nous permet de créer une base de données immobilières massive en quelques secondes… et les données JSON ne sont que le point de départ ! Grâce à cette méthode, nous pouvons nous connecter aux serveurs backend et mettre à jour automatiquement les sites web, ainsi que les centres de données privés et publics. Vous pouvez également créer des rapports personnalisés pour visualiser les données sous forme de diagrammes circulaires, de graphiques linéaires et de nuages ​​de points.

Exemple de données JSON générées automatiquement à partir du fichier Python Figure 1.4. Exemple de données JSON générées automatiquement à partir du fichier Python

Outils Python intégrés pour générer des visualisations de données préliminaires attrayantes

Pour conclure cet article, examinons de plus près les données que nous avons utilisées. Python offre plusieurs méthodes de visualisation des données. La plus simple consiste à afficher les résultats dans le terminal à l'aide de commandes `print`, comme illustré dans la figure 1.5.

Sortie terminale basée sur les valeurs collectées à partir du projet Global Mapper Figure 1.5 : Sortie du terminal basée sur les valeurs collectées dans le cadre du projet Global Mapper

C'est plutôt ennuyeux. Essayons quelque chose de plus stimulant ! Heureusement, Python possède des outils intégrés comme Matplotlib et NumPy qui permettent de rendre des données plus attrayantes. Grâce à ces outils, nous pouvons créer des graphiques captivants en un clin d'œil.

Figure 1.6 : Grâce au module Python Matplotlib, nous pouvons représenter nos valeurs sous forme de diagramme circulaire. Ce diagramme illustre la répartition des prix de l’immobilier par tranches de 100 000 USD.

Grâce aux graphiques générés automatiquement à partir du jeu de données Global Mapper, nous pouvons importer n'importe quel fichier SIG vectoriel similaire pour générer automatiquement les mêmes résultats. Cette opération, qui prendrait une heure ou plus manuellement dans Excel, est réalisée en une seule étape avec Python dans Global Mapper. Dans la deuxième partie de cet article, nous explorerons plus en détail la rétro-ingénierie des flux de travail de Global Mapper et la création de nos propres données géospatiales à partir de fichiers CSV.

Si vous souhaitez explorer les fonctionnalités de Global Mapper dans un script Python ou intégrer la boîte à outils à vos propres applications, consultez le SDK Global Mapper® . Pour une édition visuelle plus poussée des données SIG et une intégration Python plus poussée , téléchargez dès aujourd'hui la version d'essai gratuite de Global Mapper Pro !

Pour suivre le blog, téléchargez les fichiers ici.