在Pandas可以使用groupby等方法進行資料聚合
例如先前第三天的路燈資料，如果想看一下不同的統計成果，除了空間上的展示外，可以用資料內的行政區欄位(district)做聚合

回顧這份資料，有district欄位表示行政區

1
2

light=gpd.read_file('output/light.shp',encoding='utf-8')
light

我們可以很簡單的用groupy做資料的的聚合

1

light.groupby('district').size()

GeoDataFrame使操作GIS資料分析時更有彈性
我們可以很快對GIS的屬性資料的分析與過濾

當然，也包括一些幾何空間的運算

坐標轉換

坐標轉換幾乎是GIS第一門課，可以參考[Day10] 坐標系統及WebGIS常用的坐標轉換有大致的說明。

Geopandas可以讀取各GIS格式進行空間運算，
然而實際上我們可能拿到的資料不見得是GIS的格式

不是GIS格式，但它可能是有坐標資訊的資料

比較常見的會是一個csv,Excel含有經緯度或xy的資料，對於這樣的資料，我們可以把它轉為Geopandas的GeoDataFrame。

Pandas是資料分析熱門且好用的工具，相信熟悉資料分析的各路英雄好漢都不陌生
在Python中，與GIS相關的套件滿坑滿谷，這邊我們選定Geopandas作為資料操作的基礎
它與Pandas有很接近的操作體驗，並且依賴了許多GIS常用的Python套件。

Geopandas介紹

在Python上處理空間資料有許多套件們，這些套件都有不同的使用場景，例如shapely用在向量資料的處理、fiona則是幫助使用Python上操作OGR(支援超多格式的資料轉換)，pyproj做坐標投影的轉換等等。

地理空間資料或簡稱GIS資料，無論是學術研究、資料科學、商業分析、或是各種資料採集等，或多或少都需要與空間資料相處。

或許各路GIS相關的工作者，常會覺得明明空間資料與非空間資料差異只在於有無坐標資料，但實際處理起來卻常常遇到各種坑苦。

有感於此，希望藉由這次鐵人賽的砥礪，攻略實務上處理GIS資料時更進階及更自動化的工具與技巧。

這次30天的任務，主要以Python為主軸，配合QGIS及空間資料庫，熟悉GIS工作的自動化流程，解決空間資料分析或是資料工程上的問題。