Python na mapie – praca na danych przestrzennych
➡️ Czego się nauczysz?
– Poznasz typy obiektów przestrzennych,
– Obróbka i przygotowanie danych przestrzennych w Pythonie z wykorzystaniem pakietów m.in: shapely, geopy, geopandas,
– Przygotowanie przestrzennej bazy danych z użyciem Postgis,
– Jak wykorzystać dane przestrzenne w Machine Learnigu i analizie danych, poznasz ich znaczenie biznesowe – ekstrakcja cech,
– Jak działa geokodowanie, odwrotne geokodowanie lokalizacji oraz jak wyznaczyć trasę z wykorzystaniem usług OSM oraz Google Maps API,
– Jak stworzyć przestrzenny model danych w projekcie Django oraz FastAPI,
– Obsługa danych w formacie geojson w REST API oraz serializacja przestrzennego modelu danych.
➡️ Dla kogo jest ten materiał?
Materiał jest skierowany do programistów Pythona, analityków danych oraz interesariuszy biznesowych analizujących dane na mapie. Niezbędna jest podstawowa znajomość Pythona (pętle, instrukcje warunkowe, moduły); podstawy programowania obiektowego oraz funkcyjnego; znajomość pakietu pandas oraz numpy; podstawowe struktury danych w Pythonie: lista, słownik, tupla; podstawowa obsługa cmd.
➡️ Wymagania wstępne
– Zainstalowane lokalnie na maszynie: Python (3.10.7), PostreSQL (min. v15) wraz z dodatkiem Postgis, pgadmin4 oraz Visual Studio Code,
– Skonfigurowane konto na Google Cloud Platform – klucz API oraz włączone interfejsy Geocoding API oraz Routes API,
– Najlepiej pracować na prywatnym komputerze, z uwagi na ograniczenia w ruchu sieciowym na pracowniczych komputerach.
➡️ Program
1. Omówienie obiektów przestrzennych i ich cech:
– formaty zapisu geometrii przestrzennej,
– systemy CRS.
2. Wprowadzenie do pakietów geopandas, shapely oraz geopy.
– praca na plikach shp,
– tworzenie i konwersja obiektów przestrzennych w Pythonie,
– operacje na danych przestrzennych.
3. Zewnętrzne usługi OSM oraz Google Maps API:
– geokodowanie i odwrotne geokodowanie,
– wyznacznie trasy i jej dekodowanie,
– praca z danymi z bazy gis-support.pl.
4. Dane przestrzenne w ML i analizie danych:
– ekstrakcja cech i ich wykorzystanie w modelu ML,
– analiza danych na mapie,
– konfiguracja przestrzennej bazy danych,
– wizualizacja danych przestrzennych na mapie.
5. Bonus: przestrzenne modele danych w Django oraz FastAPI:
– tworzenie modeli w relacyjnej bazie danych (geodjango, geoalchemy2),
– ładowanie danych do przestrzennej bazy danych z pliku,
– serializacja przestrzennych modeli danych w DRF,
– obsługa obiektów typu geo json w REST API.
Materiał „Python na mapie – praca na danych przestrzennych” (C) Sages 2025.
➡️ Informacje o prowadzącym:
Wiktor Piela
Od 2020 roku zajmuje się analizą danych, tworzeniem modeli predykcyjnych oraz programowaniem w Pythonie. Przygodę z danymi zaczynał w branży FMCG jako młodszy analityk danych, gdzie razem z zespołem wspierał marketing i handel w podejmowaniu decyzji biznesowych w oparciu o analizę danych i modelowanie statystyczne. Pracując w szeroko pojętym sektorze finansowanym, tworzył rozwiązania automatyzujące procesy przepływu i obróbki danych oraz raportowania. Obecnie tworzy systemy predykcyjne na potrzeby sprzedaży, windykacji oraz rozwija wspólnie z zespołem aplikacje bazujące na modelach semantycznych LLM oraz computer vision. Zajmuje się ponadto tworzeniem backendu dla aplikacji webowych, także na potrzeby aplikacji ML.