Cartograpy - Documentation Complète

1

Présentation

Cartograpy est un package Python conçu pour faciliter la manipulation de données géographiques et la création de cartes de manière simple et intuitive. Grâce à ses nombreuses fonctionnalités, il permet aussi bien aux débutants qu'aux experts de visualiser, analyser et mettre en valeur des données spatiales en quelques lignes de code.

And you have all you need !

2

Fonctionnalités

Voici ce que vous pouvez faire avec cartograpy :

2.1 Téléchargement et accès rapide aux données géographiques

• Découpages administratifs : Téléchargez en une ligne les limites administratives de n'importe quel pays, région ou commune.
• Données de continents : Récupérez facilement les frontières vectorielles des continents ou sous-continents.
• Réseaux hydrographiques : Accédez à des couches de rivières, fleuves ou plans d'eau.
• Géocodage des localités : Enrichissez vos jeux de données en retrouvant des zones géographiques associées à des adresses ou des noms de lieux.

2.2 Pre-processing et processing des données

• Importez tout type de données vectorielles ou matricielles : Shapefile, GeoJSON, KML, GPX, GPKG, CSV, Parquet, etc.
• Exportez vos analyses dans le format de votre choix, prêt pour QGIS, ArcGIS ou le web.
• Listing automatique : Repérez en un coup d'œil tous les fichiers géographiques présents dans un dossier.
• Convertissez vos jeux de données entre tous les formats courants en une seule commande.
• Calculs de centroïdes, jointures spatiales et attributaires, fusion de tables, création de nouveaux attributs dynamiquement à partir d'expressions Python.
• Manipulation de DataFrame et GeoDataFrame pour l'analyse de données géographiques.
• Découpage de données vectoriel par emprise ou par masque.

2.3 Cartographie et visualisation

• Créez des cartes personnalisées (choroplèthes, points, polygones, tuiles raster, etc.) à l'aide de la classe puissante Map.
• Ajoutez des éléments de style : flèches du nord, barres d'échelle, graticules, labels, titres personnalisés, palettes de couleurs, etc.
• Gérez vos légendes et choisissez parmi plusieurs styles adaptés (scientifique, épuré, académique…).
• Exportez vos cartes directement en PNG, SVG ou autres formats.
• Accédez à des styles de polices et de nombreuses palettes de couleurs, y compris les palettes personnalisées, Seaborn et Matplotlib.

3

Installation

Pour installer le package cartograpy, vous pouvez utiliser pip. Ouvrez votre terminal ou invite de commande et exécutez la commande suivante :

Terminal

$ pip install cartograpy

Note importante

Pour éviter les conflits de dépendances, utilisez un environnement virtuel. Vous pouvez le faire avec pew, virtualenv ou anaconda. J'utilise très souvent pew pour cela.

Installation avec environnement virtuel

pip install pew

pew new carto

pew workon carto

pip install cartograpy

4

Utilisation

cartograpy est composé de 4 modules principaux :

D

data

pour l'obtention des données

P

processing

pour le traitement des données

M

mapper

pour la visualisation des données sur une carte

S

styling

pour la mise en forme de la carte

graph TD A[cartograpy] --> B[data
Obtention des données] A --> C[processing
Traitement des données] A --> D[mapper
Visualisation sur carte] A --> E[styling
Mise en forme de la carte]

4.1.1.1 Télécharger les limites des continents

Pour télécharger les limites de tous les continents du monde, utilisez la méthode continents() sans paramètre :

Python

from cartograpy import data

bound = data.GeoBoundaries()

world = bound.continents()

world.head()

Résultat :

Index	CONTINENT	geometry
0	Africa	MULTIPOLYGON (((-11.49609 11.98828, -11.55664...
1	Antarctica	MULTIPOLYGON (((48.62207 -77.83594, 48.54688...
2	Asia	MULTIPOLYGON (((48.67923 14.0032, 48.23895...
3	Europe	MULTIPOLYGON (((-53.55484 2.3349, -53.77852...
4	North America	MULTIPOLYGON (((-155.22217 19.23972, -155.5421...

Visualisation

world.plot()

Obtenir un seul continent :

Python

africa = bound.continents("africa")

africa.plot()

Obtenir plusieurs continents :

Python

africa_asia = bound.continents(["africa", "asia"])

africa_asia.plot()

4.1.1.2 Télécharger les limites administratives de pays

Pour télécharger les données des limites administratives d'un pays, vous aurez besoin de deux paramètres importants : le nom du pays et le niveau de subdivision administrative souhaité (adminlevel).

Les noms de pays et codes ISO :

Les codes des pays sont conformes à la norme ISO 3166-1 alpha-3. Pour obtenir la liste des pays valides, vous pouvez utiliser la méthode list_countries() :

Python

# Affiche les 10 premiers pays

bound.list_countries()[0:10]

Rechercher le code ISO d'un pays :

Python

# Pour obtenir le code iso de tous les pays contenant "burk"

bound.get_iso3("burk")

# Résultat: 'BFA'

Les niveaux de subdivisions administratives :

Il existe cinq (5) niveaux de subdivisions administratives disponibles :

Niveau GeoBoundaries	Nom commun (FR)	Nom commun (EN)
`ADM0`	Pays	Country
`ADM1`	Région / État / Province	State / Region
`ADM2`	Département / District	District / County
`ADM3`	Sous-préfecture / Commune	Subdistrict / Commune
`ADM4`	Village / Localité	Village / Locality

Note importante :

Le nombre de niveaux dépend du pays. Certains pays s'arrêtent à ADM2, d'autres vont jusqu'à ADM4 ou ADM5.
Le nom réel des subdivisions varie d'un pays à l'autre (ex. : « State », « Region », « Province », « Department », etc.).
GeoBoundaries propose toujours au moins le niveau ADM0 (frontière nationale).

Télécharger les données administratives d'un pays :

Python

# Exemple : Récupérer les données administratives des régions de la Côte d'Ivoire

civ_data = bound.adm("CIV", "ADM2")

civ_data.head()

Télécharger les données de plusieurs pays :

Python

# Exemple : Récupérer les limites administratives de plusieurs pays

countries_data = bound.adm(["SEN", "mali"], "ADM2")

countries_data["mali"].head()

4.1.1.3 Récupérer les métadonnées d'un territoire

Pour aller plus loin que la simple récupération des limites géographiques, vous pouvez également obtenir des informations descriptives sur un territoire grâce à la méthode metadata.

Python

# Récupérer les métadonnées disponibles pour la Côte d'Ivoire

metadata_civ = bound.metadata("CIV", "ADM0")

print(list(metadata_civ.keys()))

Exemples d'accès aux métadonnées

# Le continent

metadata_civ["Continent"] # 'Africa'

# Sous région

metadata_civ["UNSDG-subregion"] # 'Western Africa'

# URL de prévisualisation

url_img = metadata_civ["imagePreview"]

📊 Output - Métadonnées disponibles:

['boundaryISO', 'boundaryName', 'boundaryType', 'boundarySourceNotes', 'boundaryLicense', 'licenseDetail', 'licenseSource', 'boundarySource-1', 'downloadURL', 'imagePreview', 'gjDownloadURL', 'Continent', 'UNSDG-region', 'UNSDG-subregion', 'ISO_3166_1_alpha_2', 'ISO_3166_1_alpha_3']

🌍 Informations détaillées - Côte d'Ivoire:

Propriété	Valeur
Nom du pays	Côte d'Ivoire
Code ISO	CIV
Continent	Africa
Sous-région	Western Africa
Type de frontière	ADM0

4.1.2 Géocoder une ou plusieurs adresses

La classe Geocoder de cartograpy.data permet de convertir des adresses textuelles en coordonnées géographiques et vice versa.


from cartograpy import data

# Créer un objet Geocoder
geocoder = data.Geocoder()

# Géocoder une adresse
result = geocoder.geocode("Abidjan, Côte d'Ivoire")
print(f"Coordonnées: {result['latitude']}, {result['longitude']}")

# Géocodage inverse
address = geocoder.reverse_geocode(5.3599517, -4.0082563)
print(f"Adresse: {address}")

📍 Géocodage direct:

Coordonnées: 5.3599517, -4.0082563

Adresse: Abidjan, Côte d'Ivoire

🔄 Géocodage inverse:

Coordonnées: 5.3599517, -4.0082563

Adresse trouvée: Abidjan, District d'Abidjan, Côte d'Ivoire

# Géocoder plusieurs adresses
addresses = [
    "Yamoussoukro, Côte d'Ivoire",
    "Bouaké, Côte d'Ivoire", 
    "Daloa, Côte d'Ivoire"
]

results = []
for addr in addresses:
    result = geocoder.geocode(addr)
    results.append({
        'ville': addr.split(',')[0],
        'latitude': result['latitude'],
        'longitude': result['longitude'],
        'confidence': result.get('confidence', 'N/A')
    })

import pandas as pd
df_geocoded = pd.DataFrame(results)
print(df_geocoded)

📋 DataFrame des résultats de géocodage:

Ville	Latitude	Longitude	Confidence
Yamoussoukro	6.8276	-5.2893	0.95
Bouaké	7.6884	-5.0303	0.92
Daloa	6.8771	-6.4503	0.89

4.1.3 Télécharger des données hydrographiques

La classe Hydro permet de télécharger facilement les données de réseaux hydrographiques à l'échelle des continents, en s'appuyant sur la base de données internationale HydroRivers.

from cartograpy import data

# Créer un objet Hydro
hydro = data.Hydro()

# Voir les variables disponibles
print(hydro.describe_variables())

# Régions disponibles
print(hydro.valid_regions)  # ['af', 'as', 'au', 'eu', 'na', 'sa']

# Télécharger les rivières d'Afrique
rivers_africa = hydro.download(region="af")
rivers_africa.head()

🌊 Output - Données HydroRIVERS (5 premières lignes):

HYRIV_ID	LENGTH_KM	DIS_AV_CMS	UPLAND_SKM	ORD_STRA	RIV_ORD
20000001	5.847	12.4	894.2	3	3
20000002	3.124	8.7	567.8	2	2
20000003	12.456	45.2	2156.7	4	4
20000004	7.893	23.1	1234.5	3	3
20000005	15.234	78.9	3456.8	5	5

💡 Dimensions: (125,847 lignes × 25 colonnes)

# Visualiser les rivières avec geopandas
import matplotlib.pyplot as plt

# Filtrer les rivières principales (ordre >= 4)
major_rivers = rivers_africa[rivers_africa['ORD_STRA'] >= 4]

# Créer une carte
fig, ax = plt.subplots(1, 1, figsize=(12, 8))
rivers_africa.plot(ax=ax, color='lightblue', linewidth=0.5, alpha=0.7)
major_rivers.plot(ax=ax, color='darkblue', linewidth=1.2)
ax.set_title('Réseau hydrographique d\'Afrique', fontsize=16)
ax.set_xlabel('Longitude')
ax.set_ylabel('Latitude')
plt.show()

🗺️ Aperçu de la visualisation:

🌊

Carte du réseau hydrographique d'Afrique

Rivières principales en bleu foncé

Réseau secondaire en bleu clair

📊 Statistiques: ~125,000 segments de rivières visualisés

📊 Variables HydroRIVERS disponibles

Variable	Description	Unité
`HYRIV_ID`	ID du tronçon	entier
`LENGTH_KM`	Longueur du segment	km
`DIS_AV_CMS`	Débit moyen	m³/s
`UPLAND_SKM`	Surface totale en amont	km²
`ORD_STRA`	Ordre de Strahler	entier

4.1.4 Télécharger données de OpenStreetMap

La classe OSM offre une interface simple pour télécharger des données issues d'OpenStreetMap selon une grande variété de besoins.

4.1.4.1 Exploration des tags OSM

from cartograpy import data

# Créer un objet OSM
osm = data.OSM()

# Lister les tags par catégorie
print(osm.list_tags('amenity'))  # Services publics

# Rechercher des tags spécifiques
print(osm.search_tags('hospital'))  # Tous les tags liés aux hôpitaux

# Combinaisons courantes de tags
print(osm.get_common_tag_combinations()['restaurants'])

🏢 Output - Tags 'amenity' disponibles:

school hospital restaurant bank pharmacy fuel cafe library police post_office atm market

🏥 Output - Tags liés aux hôpitaux:

amenity=hospital → Hôpitaux généraux

amenity=clinic → Cliniques

healthcare=hospital → Établissements de santé

emergency=yes → Services d'urgence

4.1.4.2 Télécharger les données OSM

# Télécharger toutes les écoles à Abidjan
schools = osm.get_data(
    "Abidjan, Côte d'Ivoire", 
    {"amenity": "school"}, 
    data_type="points"
)

# Télécharger les hôpitaux avec géométries polygonales
hospitals = osm.get_data(
    "Yamoussoukro, Côte d'Ivoire",
    {"amenity": "hospital"},
    data_type="polygons"
)

# Télécharger les routes principales
roads = osm.get_data(
    "Abidjan",
    {"highway": ["primary", "secondary", "trunk"]},
    data_type="lines"
)

🏫 Output - Écoles à Abidjan (schools.head()):

Nom	Amenity	Latitude	Longitude	Addr:city
École Primaire Plateau	school	5.3247	-4.0127	Plateau
Collège Moderne Cocody	school	5.3514	-3.9867	Cocody
Lycée Sainte-Marie	school	5.3189	-4.0234	Treichville

📊 Total: 847 écoles trouvées à Abidjan

🛣️ Statistiques - Routes principales d'Abidjan:

234

Routes primaires

456

Routes secondaires

89

Axes principaux

# Visualiser les données OSM sur une carte
import matplotlib.pyplot as plt
import contextily as ctx

# Créer une figure avec sous-graphiques
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(15, 7))

# Carte 1: Écoles
schools.plot(ax=ax1, color='red', markersize=20, alpha=0.7)
ctx.add_basemap(ax1, crs=schools.crs, source=ctx.providers.OpenStreetMap.Mapnik)
ax1.set_title('Écoles à Abidjan', fontsize=14)
ax1.set_xlabel('Longitude')
ax1.set_ylabel('Latitude')

# Carte 2: Routes
roads.plot(ax=ax2, color='blue', linewidth=2, alpha=0.8)
ctx.add_basemap(ax2, crs=roads.crs, source=ctx.providers.OpenStreetMap.Mapnik)
ax2.set_title('Réseau routier principal d\'Abidjan', fontsize=14)
ax2.set_xlabel('Longitude')

plt.tight_layout()
plt.show()

🗺️ Aperçu des cartes générées:

🏫

Écoles d'Abidjan

847 établissements scolaires

🛣️

Réseau routier

779 segments de routes

4.1.5 Obtenir des données de la Banque Mondiale

La classe WorldBank permet d'accéder aux données statistiques de la Banque mondiale pour enrichir vos analyses géospatiales.

from cartograpy import data

# Créer un objet WorldBank
wb = data.WorldBank()

# Rechercher des indicateurs
indicators = wb.search_indicators("population")
print(indicators[:3])  # Afficher les 3 premiers

# Télécharger des données pour un pays spécifique
data_civ = wb.get_data(
    {"SP.POP.TOTL": "Population totale"},
    "CIV",  # Côte d'Ivoire
    date=("2010", "2020")
)

# Télécharger pour plusieurs pays
countries_data = wb.get_data(
    {"NY.GDP.PCAP.CD": "PIB par habitant"},
    ["CIV", "SEN", "MLI"],
    date=("2015", "2020")
)

print(countries_data.head())

🔍 Output - Indicateurs trouvés pour "population":

SP.POP.TOTL

Population, total

SP.POP.GROW

Population growth (annual %)

SP.URB.TOTL

Urban population

📊 Population de la Côte d'Ivoire (2010-2020):

Année	Population	Croissance
2015	22,701,556	+2.8%
2018	24,905,843	+2.7%
2020	26,378,274	+2.6%

💰 PIB par habitant - Afrique de l'Ouest (2020):

Pays	Code	PIB/hab (USD)	Évolution
Côte d'Ivoire	CIV	2,286	+4.2%
Sénégal	SEN	1,488	+1.5%
Mali	MLI	876	-1.2%

# Créer un graphique d'évolution temporelle
import matplotlib.pyplot as plt
import pandas as pd

# Préparer les données pour la visualisation
plt.figure(figsize=(12, 6))

# Graphique 1: Évolution de la population CIV
plt.subplot(1, 2, 1)
years = [2015, 2016, 2017, 2018, 2019, 2020]
population = [22701556, 23295302, 23905931, 24905843, 25631646, 26378274]
plt.plot(years, population, marker='o', color='blue', linewidth=2)
plt.title('Évolution Population - Côte d\'Ivoire')
plt.xlabel('Année')
plt.ylabel('Population')
plt.grid(True, alpha=0.3)

# Graphique 2: Comparaison PIB par habitant
plt.subplot(1, 2, 2)
countries = ['Côte d\'Ivoire', 'Sénégal', 'Mali']
gdp_values = [2286, 1488, 876]
colors = ['#3b82f6', '#10b981', '#f59e0b']
plt.bar(countries, gdp_values, color=colors, alpha=0.8)
plt.title('PIB par habitant 2020 (USD)')
plt.ylabel('PIB par habitant')
plt.xticks(rotation=45)

plt.tight_layout()
plt.show()

📈 Aperçu des graphiques générés:

📊

Évolution Population

2015-2020

Croissance: +16.2% en 5 ans

💰

PIB Comparatif

CIV > SEN > MLI

CIV leader économique

💡 Indicateurs populaires

SP.POP.TOTL - Population totale
NY.GDP.PCAP.CD - PIB par habitant (USD courants)
SE.PRM.NENR - Taux net de scolarisation primaire
SH.DYN.MORT - Taux de mortalité infantile
AG.AID.CREL.MT - Aide reçue nette

4.2 Module de Traitement

4.2.1 Préparation des Données

4.2.1.1 Nettoyage des Géométries

Le module de traitement offre des outils pour nettoyer et valider les géométries géospatiales.

from cartograpy import processing

# Nettoyer les géométries invalides
clean_data = processing.clean_geometries(africa_boundaries)

# Simplifier les géométries
simplified = processing.simplify_geometries(clean_data, tolerance=0.01)

# Valider la topologie
validation_report = processing.validate_topology(simplified)
print(validation_report)

4.2.1.2 Transformation de Projections

Transformation entre différents systèmes de coordonnées et projections cartographiques.

# Transformer en projection UTM
utm_data = processing.transform_crs(africa_boundaries, target_crs='EPSG:32632')

# Reprojeter en coordonnées géographiques
geographic = processing.to_geographic(utm_data)

# Calculer l'aire des polygones
areas = processing.calculate_areas(utm_data)
print(f"Aires calculées: {areas.head()}")

4.2.2 Opérations Spatiales

4.2.2.1 Intersections et Unions

Effectuer des opérations géométriques complexes entre différentes couches.

# Intersection entre deux couches
intersection = processing.intersect(layer1, layer2)

# Union de polygones
union_result = processing.union(africa_boundaries)

# Buffer autour des géométries
buffered = processing.buffer(africa_boundaries, distance=1000)  # 1km

# Découpage (clip) d'une couche par une autre
clipped = processing.clip(data_layer, boundary_layer)

4.2.2.2 Agrégation Spatiale

Regroupement et agrégation de données géospatiales selon différents critères.

# Agrégation par région
aggregated = processing.aggregate_by_attribute(data, group_by='region')

# Dissolution de frontières
dissolved = processing.dissolve(africa_boundaries, by='continent')

# Statistiques spatiales
stats = processing.spatial_statistics(data, stat_type='area')
print(stats.describe())

4.3 Module de Visualisation

4.3.1 Cartes Statiques

4.3.1.1 Cartes Choroplèthes

Création de cartes thématiques avec codage couleur basé sur des valeurs statistiques.

from cartograpy import visualization as viz

# Carte choroplèthe basique
viz.choropleth_map(
    data=africa_boundaries,
    column='population',
    title='Population en Afrique',
    colormap='viridis'
)

# Carte avec classification personnalisée
viz.choropleth_map(
    data=africa_boundaries,
    column='gdp_per_capita',
    classification='quantiles',
    n_classes=5,
    title='PIB par Habitant'
)

4.3.1.2 Cartes Multi-Couches

Superposition de plusieurs couches de données géospatiales.

# Création d'une carte multi-couches
fig, ax = viz.create_map(figsize=(12, 8))

# Ajouter les frontières
viz.add_layer(ax, africa_boundaries, 
              color='lightgray', edgecolor='black')

# Ajouter les villes
viz.add_points(ax, cities_data, 
               size_column='population',
               color='red')

# Ajouter une légende et un titre
viz.add_legend(ax, title='Villes et Frontières')
viz.set_title(ax, 'Carte de l\'Afrique')

4.3.2 Cartes Interactives

4.3.2.1 Cartes Folium

Création de cartes interactives pour l'exploration web.

# Carte interactive avec Folium
interactive_map = viz.create_interactive_map(
    data=africa_boundaries,
    center=[0, 20],  # Lat, Lon
    zoom=4
)

# Ajouter des popups informatifs
viz.add_popup_info(interactive_map, 
                   columns=['name', 'population'])

# Sauvegarder la carte
interactive_map.save('africa_interactive.html')

4.3.2.2 Tableaux de Bord

Création de tableaux de bord interactifs avec Plotly Dash.

# Création d'un tableau de bord
dashboard = viz.create_dashboard(
    title="Analyse Géospatiale de l'Afrique"
)

# Ajouter une carte choroplèthe interactive
dashboard.add_choropleth(
    data=africa_boundaries,
    column='population',
    title='Population par Pays'
)

# Ajouter des graphiques complémentaires
dashboard.add_bar_chart(
    x='country', y='gdp',
    title='PIB par Pays'
)

# Lancer le serveur
dashboard.run(port=8050)

5. Exemples Pratiques

5.1 Analyse Démographique Complète

Exemple complet d'analyse démographique utilisant toutes les fonctionnalités de cartograpy.


# Exemple complet : Analyse démographique de l'Afrique de l'Ouest
import cartograpy
from cartograpy import data, processing, visualization as viz

# 1. Acquisition des données
bound = data.GeoBoundaries()
west_africa = bound.continents("africa")

# Filtrer l'Afrique de l'Ouest
west_african_countries = ['SEN', 'MLI', 'BFA', 'CIV', 'GHA', 'TGO', 'BEN', 'NER']
wa_data = bound.adm(west_african_countries, "ADM0")

# 2. Traitement des données
# Nettoyage et simplification
clean_data = processing.clean_geometries(wa_data)
simplified = processing.simplify_geometries(clean_data, tolerance=0.01)

# Calcul des aires
areas = processing.calculate_areas(simplified)
simplified['area_km2'] = areas / 1000000  # Conversion en km²

# 3. Visualisation
# Carte choroplèthe de la superficie
viz.choropleth_map(
    data=simplified,
    column='area_km2',
    title='Superficie des Pays d\'Afrique de l\'Ouest',
    colormap='YlOrRd',
    figsize=(12, 8)
)

# Carte interactive
interactive_map = viz.create_interactive_map(
    data=simplified,
    center=[12, -2],
    zoom=5
)

viz.add_popup_info(interactive_map, 
                   columns=['shapeName', 'area_km2'])

interactive_map.save('west_africa_analysis.html')
print("Analyse terminée ! Carte sauvegardée dans 'west_africa_analysis.html'")

💡 Image de Démonstration

Voici un exemple de résultat de visualisation avec cartograpy :

Exemple de carte générée avec cartograpy

Carte choroplèthe générée avec le module de visualisation de cartograpy

Sommaire

Documentation Cartograpy

Présentation

Fonctionnalités

2.1 Téléchargement et accès rapide aux données géographiques

2.2 Pre-processing et processing des données

2.3 Cartographie et visualisation

Installation

Note importante

Utilisation

data

processing

mapper

styling

4.1.1.1 Télécharger les limites des continents

Résultat :

Obtenir un seul continent :

Obtenir plusieurs continents :

4.1.1.2 Télécharger les limites administratives de pays

Les noms de pays et codes ISO :

Rechercher le code ISO d'un pays :

Les niveaux de subdivisions administratives :

Télécharger les données administratives d'un pays :

Télécharger les données de plusieurs pays :

4.1.1.3 Récupérer les métadonnées d'un territoire

📊 Output - Métadonnées disponibles:

🌍 Informations détaillées - Côte d'Ivoire:

4.1.2 Géocoder une ou plusieurs adresses

📍 Géocodage direct:

🔄 Géocodage inverse:

📋 DataFrame des résultats de géocodage:

4.1.3 Télécharger des données hydrographiques

🌊 Output - Données HydroRIVERS (5 premières lignes):

🗺️ Aperçu de la visualisation:

📊 Variables HydroRIVERS disponibles

4.1.4 Télécharger données de OpenStreetMap

4.1.4.1 Exploration des tags OSM

🏢 Output - Tags 'amenity' disponibles:

🏥 Output - Tags liés aux hôpitaux:

4.1.4.2 Télécharger les données OSM

🏫 Output - Écoles à Abidjan (schools.head()):

🛣️ Statistiques - Routes principales d'Abidjan:

🗺️ Aperçu des cartes générées:

4.1.5 Obtenir des données de la Banque Mondiale

🔍 Output - Indicateurs trouvés pour "population":

📊 Population de la Côte d'Ivoire (2010-2020):

💰 PIB par habitant - Afrique de l'Ouest (2020):

📈 Aperçu des graphiques générés:

💡 Indicateurs populaires

4.2 Module de Traitement

4.2.1 Préparation des Données

4.2.1.1 Nettoyage des Géométries

4.2.1.2 Transformation de Projections

4.2.2 Opérations Spatiales

4.2.2.1 Intersections et Unions

4.2.2.2 Agrégation Spatiale

4.3 Module de Visualisation

4.3.1 Cartes Statiques

4.3.1.1 Cartes Choroplèthes

4.3.1.2 Cartes Multi-Couches

4.3.2 Cartes Interactives

4.3.2.1 Cartes Folium

4.3.2.2 Tableaux de Bord

5. Exemples Pratiques

5.1 Analyse Démographique Complète

💡 Image de Démonstration