Traitements vectoriels

Utiliser les fonctions utilitaires et la classe VectorTools.

cartograpy.processing expose une API en deux niveaux : des fonctions simples pour les opérations fréquentes, et VectorTools : une classe chaînable de plus de 100 méthodes : pour les workflows plus avancés.

Fonctions rapides

Pour un besoin ponctuel, pas besoin d’instancier VectorTools :

from cartograpy.processing import centroids, join, fusion, add_column, clip_gdf_by_mask

centres = centroids(regions_gdf)

pop = join((regions_gdf, "code_insee"), (population_df, "code_insee"))

toutes = fusion([regions_2021, regions_2022])

add_column(gdf, "densite", "population / surface_km2")

routes_civ = clip_gdf_by_mask(routes_gdf, frontiere_civ)

Détail complet de chacune : Reference processing functions.

VectorTools : l’API chaînable

VectorTools encapsule un GeoDataFrame. Chaque méthode de transformation renvoie une nouvelle instance (rien n’est modifié sur place) : on chaîne donc les opérations et on récupère le résultat avec .gdf :

from cartograpy.processing import VectorTools

vt = VectorTools(gdf)

result = (
    vt.fix_invalid()
      .remove_empty()
      .reproject_layer("EPSG:32630")
      .filter_by_attribute("statut", "actif")
      .buffer(500)
      .simplify_geometry(tolerance=10)
      .gdf
)

Note

Quelques méthodes sortent de ce pattern et renvoient directement une valeur (dict, DataFrame, chemin de fichier) plutôt qu’un VectorTools : la liste exacte est dans Reference VectorTools.

Par tâche

Nettoyer une couche avant analyse

propre = (
    VectorTools(gdf)
    .fix_invalid()
    .remove_empty()
    .drop_duplicates()
    .remove_slivers(min_area=1.0)
    .gdf
)

Découper et sélectionner

zone = (
    VectorTools(gdf)
    .clip(frontiere_civ)
    .filter_by_attribute("type", ["route_primaire", "route_secondaire"])
    .gdf
)

Mesurer (surface, périmètre, compacité)

mesures = (
    VectorTools(gdf.to_crs("EPSG:32630"))  # reprojeter avant de mesurer
    .area(column_name="surface_m2")
    .perimeter(column_name="perimetre_m")
    .compactness()
    .gdf
)

Jointure spatiale et agrégation

enrichi = VectorTools(points_gdf).spatial_join(regions_gdf, predicate="within").gdf

par_region = (
    VectorTools(points_gdf)
    .point_in_polygon_join(regions_gdf)
    .group_and_summarize(by="nom_region", summary={"population": "sum"})
    .gdf
)

Analyse de proximité et clustering

distances = VectorTools(ecoles_gdf).distance_to_nearest(hopitaux_gdf).gdf

clusters = VectorTools(points_gdf).spatial_clustering(eps=500, min_samples=5).gdf
# nécessite scikit-learn installé séparément

Statistiques spatiales et autocorrélation

rapport = VectorTools(regions_gdf).spatial_autocorrelation_report("taux_pauvrete")
# nécessite libpysal + esda installés séparément

Exporter le résultat

VectorTools(gdf).fix_invalid().to_gpkg("resultat.gpkg")
VectorTools(gdf).to_csv("resultat.csv", include_geometry=False)

Toutes les familles de méthodes

Qualité et validation géométrique · Projection et schéma attributaire · Sélection, filtrage et découpage · Transformations géométriques · Mesures et indicateurs · Analyse topologique · Overlay, jointures et agrégation spatiale · Proximité, réseau et densité · Statistiques spatiales et autocorrélation · Changement, fragmentation et paysage · Accessibilité et modèles spatiaux · Interpolation et surfaces · Reclassement, scoring et export.

Liste complète des méthodes par famille : Reference VectorTools.

Avertissement

Certaines familles avancées (réseau/accessibilité, clustering, statistiques spatiales, krigeage) chargent une dépendance optionnelle à l’appel (networkx, scikit-learn, libpysal/esda, pykrige) : non incluse dans les dépendances cœur de cartograpy, à installer séparément si vous les utilisez.