1. 选址的评价指标如下：
人口密度指标 → 得分越高越好
道路密度指标 → 得分越高越好
餐饮热度指标 → 得分越高越好
同类竞品指标 → 得分越低越好
综合指标 = 人口密度指标x0.4 + 餐饮热度指标x0.3 + 道路密度指标x0.2 +同类竞品指标x0.1（假定）
2. 需要的空间数据（全是投影坐标系）
上海行政区：net_population.shp （上海1km²格网内的人口密度数据）
具体的道路：road.shp （上海道路数据）
网格数据：需要后面自己划分设定
在qgis做空间统计之后，网格数据导出点数据，投影成wgs84地理坐标系，导出excel文件
3. 指标处理
1）人口密度指标：对应net_population.shp中的数据，打开qgis，通过导入的该文件，双击进入‘样式’，选择‘渐进’，Z字段进行‘分位数’分类，然后点击‘应用’，就得到了要求的结果
–> 输出结果为：
2）道路密度指标： 就是网格数据除以网格类的道路长度，选择菜单栏‘矢量’下面的‘分析工具’，点击‘计算线条总长度，这时候要新建一个文件夹来保存创建的数据文件，这样会计算每个网格里面的道路长度，并生成一个新的画布new_result（建议不要和原来的名称一样），打开属性表后，可以在’Z’值后增加了一个‘长度’列
–> 输出结果为：
3）餐饮热度指标：加载餐饮数据.csv文件，编码默认GBK，然后选择横纵坐标，这时候加载的时候选择是WGS84的坐标系，如果直接使用投影坐标系，则该数据和地图数据不再一块。然后在将导入的数据转化为投影坐标系，这时候右键导入的数据，‘另存为’，选择投影坐标系，输入好文件名称（这里命名为cy）后，存在上一步创建好的文件夹里就可以了
–> 输出结果为：
计算网格里餐饮店的个数，选择菜单栏上的‘矢量’，‘分析工具’，然后点击‘计算多边形内点的数目’，这时候‘输入多边形矢量图层’选择完成道路密度指标时候创建的新的画布new_result,'输入的点矢量’就是刚刚加载的cy数据，这时候属性聚合的统计方法选择‘总计’，输出的字段保存为cy_count,画布名称为new_result2,这时候属性表里面就多了一列‘cy_count’的数据
–> 输出结果为：
4）同类竞争指标：针对cy的数据，打开属性表做一个选择，打开表达式选择‘字段和值’下面的类别（双击），在左侧窗口点击‘=’，之后在右下点击全部唯一，找到‘素菜’，并双击。然后重新打开属性表，可以看到上方有个’已选中178
–> 输出结果为：
这时候点击左下角的‘显示所有要素’，这时候将cy数据另存为，注意勾选‘仅保存选中的要素’，命名为sc，投影坐标系。然后计算网格中素菜馆的个数，按照上一步骤重复一下即可（这里的输入多边形矢量图层选择new_result2，,输入的点矢量就是刚刚加载的sc数据），最终的画布new_result3就是最终的数据了
–> 输出结果为：
最后：将网格转变为多边形质心（点），选择‘矢量’，‘集合工具’，点击‘多边形质心’，输入层选择new_result3，输出的文件名称为result_point，这时候要添加lng和lat，要将投影坐标系再转回到wgs84坐标系中，点击另存为，选择wgs84坐标系后，保存文件result_point_wgs84，这时候打开属性表，新建字段，分别创建lng、lat，都选择小数（浮点型），分别对应几何图形里面的$x, $y.至此所有的处理工作完成，导出数据就行，新建一个Excel表格，ctrl + a 键全选qgis里面的数据粘贴到Excel表格里面就可以了，第一列删掉，然后保存在桌面。数据样式如下：（直截取部分）
–> 输出结果为：
4. python数据处理
1）数据导入并查看
加载刚刚通过qgis处理过后的数据
df2 = pd.read_excel('data.xlsx')data_df2_count = len(df2)print('一共有的数据量为{}'.format(data_df2_count))print(df2.head())
–> 输出结果为：
一共有的数据量为7222人口密度 道路长度 餐饮计数 素菜餐饮计数 lng lat0 20666 13427.636733 1205.013.0 121.441774 31.2288461 20666 10871.020833 632.09.0 121.441922 31.2198272 36929 12104.466337 972.04.0 121.452417 31.2199533 38393 11489.521043 346.04.0 121.441477 31.2468854 12314 12615.408243 231.04.0 121.504325 31.256653
2） 缺失值查看以及处理
print(df2.isna().sum())
–> 输出结果为：
Z 0长度 0cy_count 4896sc_count 7114lng 0lat 0dtype: int64
可以发现sc_count(也就是素菜馆的数量)字段缺失数据严重，因为就是给素菜馆选址，所以符合要求的地点很少，那么对缺失的数据这里不可能全部删除，这里使用0进行填补缺失值，并对数据的字段名称进行修改
df2.fillna(0, inplace= True)df2.columns = ['人口密度','道路长度','餐饮计数','素菜餐饮计数','lng','lat']print(df2.head(15))
–> 输出结果为：
3）指标标准化
df2['rkmd_norm'] = (df2['人口密度'] - df2['人口密度'].min())/(df2['人口密度'].max() - df2['人口密度'].min())df2['cyrd_norm'] = (df2['餐饮计数'] - df2['餐饮计数'].min())/(df2['餐饮计数'].max() - df2['餐饮计数'].min())df2['scjp_norm'] = (df2['素菜餐饮计数'].max() - df2['素菜餐饮计数'])/(df2['素菜餐饮计数'].max() - df2['素菜餐饮计数'].min())df2['dlmd_norm'] = (df2['道路长度'] - df2['道路长度'].min())/(df2['道路长度'].max() - df2['道路长度'].min())df2['finial_score'] = df2['rkmd_norm']*0.4 + df2['cyrd_norm']*0.3 +df2['scjp_norm']*0.1+df2['dlmd_norm']*0.2data_final_q2 = df2.sort_values(by='finial_score',ascending = False).reset_index()del data_final_q2['index']
–> 输出结果为：（注意素菜/同类竞品指标采用的是最小标准化，其余的都是最大标准化，注意区别）
4） 绘制空间散点图，确定具体位置
#单独确定散点图的大小data_final_q2['size'] = data_final_q2['finial_score'] * 20data_final_q2['color'] = 'green'data_final_q2['color'].iloc[:20] = 'red'#设置好颜色后，再将前二十位的设置成为重要颜色，顺序不能反了source = ColumnDataSource(data_final_q2)output_file('餐馆地址.html')hover = HoverTool(tooltips = [('经度','@lng'),('纬度','@lat'),('最终得分','@finial_score'),])p = figure(plot_width = 800,plot_height = 800,title = '空间散点图',tools = [hover, 'box_select, reset, wheel_zoom,pan,crosshair'])p.square(x = 'lng',y ='lat',source = source,line_color = 'black',line_dash =[6,4],fill_alpha = 0.8, color = 'color',size = 'size')show(p)
–> 输出结果为：（注意lng，lat是不能取整的了，否则就得不到需要的位置数据）
