本文示例代码已上传至我的Github仓库https://github.com/CNFeffery/DataScienceStudyNotes

　　大家好我是费老师，就在几天前，geopandas发布了其0.11.0正式版本，距离其上一个版本（0.10.2）发布已过去大半年，在这一次的新版本更新中又为我们带来了哪些重要的新特性呢，今天的文章中我就来带大家一探究竟😋。

2 geopandas 0.11版本重要新特性一览

　　你可以在旧版本geopandas的基础上进行升级，也可以新建虚拟环境直接安装0.11.0版本，本着谨慎尝鲜的原则，我们可以使用下面的命令一口气完成新虚拟环境的创建、geopandas及其相关依赖的安装，并安装上jupyterlab作为IDE进行演示：

conda create -n geopandas-env python=3.8 -c https://mirrors.sjtug.sjtu.edu.cn/anaconda/pkgs/main -y
conda activate geopandas-env
conda install geopandas=0.11.0 pygeos pyogrio -c conda-forge -y
pip install jupyterlab -i https://pypi.douban.com/simple/

　　终端里执行下列命令验证一下是否已正确安装：

python -c "import geopandas as gpd;print(gpd.__version__)"

　　一切准备就绪，下面我们来一览此次更新中比较重要的几个特性：

2.1 更快的矢量文件读写#

　　新版本中为read_file()与to_file()引入了参数engine用于指定读写常见矢量文件基于的引擎，默认为原先的'fiona'，可选'pyogrio'，这是由geopandas开发团队维护的另一个库，可大幅度提升对常见矢量文件格式如shapefile的读写速度，以读取具有数百万个多边形的广州市全量建筑物轮廓数据为例，新的IO引擎带来近5倍的读取性能提升：

　　以及同样接近5倍的写出性能提升：

2.2 新增高性能矩形裁切方法clip_by_rect()#

　　0.11中新增针对GeoSeries和GeoDataFrame的方法clip_by_rect(minx, miny, maxx, maxy)，可传入目标矩形坐标范围，快速裁切出矩形范围内的矢量，譬如我们基于前面已经读入的广州市建筑物轮廓数据，通过下面的函数随机生成边长10000米的矩形范围作为裁切素材：

import numpy as np
import matplotlib.pyplot as plt
from shapely.geometry import box

# 计算得到目标GeoDataFrame范围
minx, miny, maxx, maxy = gdf.total_bounds

def generate_random_rectangle(minx, miny, maxx, maxy):
    '''
    研究范围内随机取得100000米边长矩形
    '''
    
    random_rectangle = [
        np.random.uniform(minx, maxx - 10000),
        np.random.uniform(miny, maxy - 10000)
    ]

    return [
        *random_rectangle,
        random_rectangle[0] + 10000,
        random_rectangle[1] + 10000,
    ]

　　调用clip_by_rect()：

　　返回的结果与原始矢量记录数量一致，其中呈现GEOMETRYCOLLECTION EMPTY的记录说明其与目标矩形没有交集，我们利用is_empty来反向筛选出发生裁切的矢量记录：

　　除此之外，你还可以直接将[minx, miny, maxx, maxy]格式的输入传入经典的clip()裁切方法中，它会在底层直接调用clip_by_rect()并自动返回有效矢量裁切结果：

2.3 正确读写GIS文件中的日期时间字段#

　　从0.11.0版本开始，geopandas在面对日期时间型字段时，无论是写出到GIS文件还是从GIS文件读入，都可以保证正确解析为日期时间型：

　　你可以在https://github.com/geopandas/geopandas/releases/tag/v0.11.0查看完整的版本更新说明，总体而言，这次新版本更新带来的重要更新并不太多，但都颇为实用，你可以在自己的数据上使用一番。

　　以上就是本文的全部内容，欢迎在评论区与我进行讨论~