我正在geopandas阅读瑞士各市的 shapefile，即municipalities.shp. 对于 170，我有人口信息，即population.csv来自的文件可以在这个 repo 中找到。
是否可以通过所谓的BFS number.
import pandas as pd
import geopandas
mun = geopandas.read_file('municipalities.shp')
pop = pd.read_csv('population.csv')
## merge data
mergedData = pd.merge(mun,pop,left_on='BFS_NUMMER',right_on='BFS')
现在，对于 170 个城市中的每一个，我都有地理信息和人口信息。
我想知道我是否可以pysal用来检查这 170 个城市的人口是否在空间上自相关。
是的你可以。首先，您需要确保您正在传递地理数据框，您的代码正在返回熊猫数据框：
import pandas as pd
import geopandas as gpd
mun = gpd.read_file('municipalities.shp')
pop = pd.read_csv('population.csv')
# merge data
mergedData = mun.merge(pop,left_on='BFS_NUMMER',right_on='BFS')
然后你可以使用pysal's 工具。我将使用libpysal和esda包装遵循新结构的pysal.
import libpysal
import esda
weights = libpysal.weights.Queen.from_dataframe(mergedData) # generate spatial weights (Queen in this case)
spatial_auto = esda.Moran(mun[['population']], weights) # calculate Moran's I
首先，您必须生成空间权重矩阵。如果您想使用不同于 Queen 的方式，只需遵循https://libpysal.readthedocs.io/en/latest/api.html即可。然后生成 Moran's I 空间自相关指数（全局）。它会生成您可能需要的所有属性（https://esda.readthedocs.io/en/latest/generated/esda.Moran.html#esda.Moran）。类似的语法适用于 Gamma、Geary's C 或 Getis Ord 自相关指数。
文档esda非常好，在 jupyter 笔记本中显示示例，我建议检查其他信息（如本地自相关或绘图） - https://esda.readthedocs.io/en/latest/。