sedona ดาวน์โหลด - ดาวน์โหลด sedona ซอร์สโค้ด

sedona

ซอร์สโค้ด JAVA

Apache Sedona 1.7.0

ดาวน์โหลด

ดาวน์โหลดสถิติ	มาเวน	พีพีไอ	Conda-ฟอร์จ	แครน	นักเทียบท่าฮับ
อาปาเช่ เซโดน่า	225,000 / เดือน
รุ่น GeoSpark ที่เก็บถาวร	10,000/เดือน

เข้าร่วมกับชุมชน
Apache Sedona คืออะไร?
- คุณสมบัติ
เมื่อใดจึงควรใช้เซดอนา?
- ใช้กรณี
- ตัวอย่างรหัส
ภาพนักเทียบท่า
อาคารเซดอนา
เอกสารประกอบ
ขับเคลื่อนโดย

เข้าร่วมกับชุมชน

ติดตาม Sedona บน Twitter เพื่อรับข่าวสารใหม่: Sedona@Twitter

เข้าร่วมชุมชน Sedona Discord:

เข้าร่วมสำนักงานชุมชน Sedona รายเดือน: Google ปฏิทิน วันอังคาร เวลา 8.00 น. ถึง 9.00 น. ตามเวลาแปซิฟิก ทุก 4 สัปดาห์

Sedona JIRA: จุดบกพร่อง คำขอดึงข้อมูล และปัญหาอื่นๆ ที่คล้ายกัน

รายชื่อผู้รับจดหมาย Sedona: [email protected]: การพัฒนาโครงการ คำถามทั่วไป หรือบทช่วยสอน

กรุณาสมัครสมาชิกก่อนแล้วจึงโพสต์อีเมล หากต้องการสมัครสมาชิกกรุณาส่งอีเมล (เว้นหัวเรื่องและเนื้อหาว่างไว้) ไปที่ [email protected]

Apache Sedona คืออะไร?

Apache Sedona™ เป็นเครื่องมือประมวลผลเชิงพื้นที่ที่ช่วยให้นักพัฒนาสามารถประมวลผลข้อมูลเชิงพื้นที่ได้อย่างง่ายดายทุกขนาดภายในระบบประมวลผลคลัสเตอร์สมัยใหม่ เช่น Apache Spark และ Apache Flink นักพัฒนา Sedona สามารถแสดงงานการประมวลผลข้อมูลเชิงพื้นที่ของตนใน Spatial SQL, Spatial Python หรือ Spatial R ได้ ภายใน Sedona มีฟังก์ชันการโหลดข้อมูลเชิงพื้นที่ การทำดัชนี การแบ่งพาร์ติชัน และฟังก์ชันการประมวลผล/เพิ่มประสิทธิภาพแบบสอบถาม ซึ่งช่วยให้ผู้ใช้สามารถวิเคราะห์ข้อมูลเชิงพื้นที่ในทุกขนาดได้อย่างมีประสิทธิภาพ

Sedona Ecosystem

คุณสมบัติ

คุณสมบัติหลักบางประการของ Apache Sedona ได้แก่:

รองรับรูปแบบข้อมูลเชิงพื้นที่ที่หลากหลาย รวมถึง GeoJSON, WKT และ ESRI Shapefile
การประมวลผลแบบกระจายที่ปรับขนาดได้ของชุดข้อมูลเวกเตอร์และแรสเตอร์ขนาดใหญ่
เครื่องมือสำหรับการจัดทำดัชนีเชิงพื้นที่ การสอบถามเชิงพื้นที่ และการดำเนินการรวมเชิงพื้นที่
การบูรณาการกับเครื่องมือ geospatial Python ยอดนิยม เช่น GeoPandas
การผสานรวมกับเครื่องมือ Big Data ยอดนิยม เช่น Spark, Hadoop, Hive และ Flink สำหรับการจัดเก็บข้อมูลและการสืบค้น
API ที่ใช้งานง่ายสำหรับการทำงานกับข้อมูลเชิงพื้นที่ในภาษา SQL, Python, Scala และ Java
ตัวเลือกการใช้งานที่ยืดหยุ่น รวมถึงโหมดสแตนด์อโลน โหมดโลคัล และคลัสเตอร์

นี่คือคุณสมบัติหลักบางประการของ Apache Sedona แต่อาจมีความสามารถเพิ่มเติม ขึ้นอยู่กับเวอร์ชันและการกำหนดค่าเฉพาะ

คลิกและเล่น Sedona Python Jupyter Notebook แบบโต้ตอบทันที!

เมื่อใดจึงควรใช้เซดอนา?

กรณีการใช้งาน:

Apache Sedona เป็นเฟรมเวิร์กที่ใช้กันอย่างแพร่หลายสำหรับการทำงานกับข้อมูลเชิงพื้นที่ และมีกรณีการใช้งานและแอปพลิเคชันต่างๆ มากมาย กรณีการใช้งานหลักบางส่วนสำหรับ Apache Sedona ได้แก่:

การวิเคราะห์ข้อมูลยานยนต์: Apache Sedona ถูกนำมาใช้กันอย่างแพร่หลายในแอปพลิเคชันการวิเคราะห์เชิงพื้นที่ ซึ่งใช้ในการวิเคราะห์เชิงพื้นที่และการทำเหมืองข้อมูลบนชุดข้อมูลขนาดใหญ่และซับซ้อนที่รวบรวมจากฟลีตส์
การวางผังเมืองและการพัฒนา: Apache Sedona มักใช้ในแอปพลิเคชันการวางผังเมืองและการพัฒนาเพื่อวิเคราะห์และแสดงภาพชุดข้อมูลเชิงพื้นที่ที่เกี่ยวข้องกับสภาพแวดล้อมในเมือง เช่น การใช้ที่ดิน เครือข่ายการขนส่ง และความหนาแน่นของประชากร
บริการตามตำแหน่ง: Apache Sedona มักใช้ในบริการตามตำแหน่ง เช่น แอปพลิเคชันการทำแผนที่และการนำทาง ซึ่งใช้ในการประมวลผลและวิเคราะห์ข้อมูลเชิงพื้นที่เพื่อให้ข้อมูลและบริการตามตำแหน่งแก่ผู้ใช้
การสร้างแบบจำลองและการวิเคราะห์สิ่งแวดล้อม: Apache Sedona ใช้ในแอปพลิเคชันการสร้างแบบจำลองและการวิเคราะห์สิ่งแวดล้อมต่างๆ มากมาย โดยใช้ในการประมวลผลและวิเคราะห์ข้อมูลเชิงพื้นที่ที่เกี่ยวข้องกับปัจจัยด้านสิ่งแวดล้อม เช่น คุณภาพอากาศ คุณภาพน้ำ และรูปแบบสภาพอากาศ
Disaster response and management: Apache Sedona is used in disaster response and management applications to process and analyze spatial data related to disasters, such as floods, earthquakes, and other natural disasters, in order to support emergency response and recovery efforts.

ตัวอย่างรหัส:

ตัวอย่างนี้โหลดบันทึกการเดินทางแท็กซี่ใน NYC และข้อมูลโซนแท็กซี่ที่จัดเก็บเป็นไฟล์ .CSV บน AWS S3 ลงในเฟรมข้อมูลเชิงพื้นที่ Sedona จากนั้นจะทำการสืบค้น SQL เชิงพื้นที่ในชุดข้อมูลการเดินทางด้วยแท็กซี่เพื่อกรองบันทึกทั้งหมด ยกเว้นที่อยู่ในพื้นที่แมนฮัตตันของนิวยอร์ก ตัวอย่างยังแสดงการดำเนินการรวมเชิงพื้นที่ที่จับคู่บันทึกการเดินทางของรถแท็กซี่กับโซนต่างๆ โดยขึ้นอยู่กับว่าการเดินทางของรถแท็กซี่นั้นอยู่ภายในขอบเขตทางภูมิศาสตร์ของโซนหรือไม่ สุดท้าย ข้อมูลโค้ดสุดท้ายจะรวมเอาต์พุตของ Sedona เข้ากับ GeoPandas และวางแผนการกระจายเชิงพื้นที่ของชุดข้อมูลทั้งสองชุด

โหลดข้อมูลการเดินทางแท็กซี่และโซนแท็กซี่ใน NYC จากไฟล์ CSV ที่จัดเก็บไว้ใน AWS S3

 taxidf = sedona . read . format ( 'csv' ). option ( "header" , "true" ). option ( "delimiter" , "," ). load ( "s3a://your-directory/data/nyc-taxi-data.csv" )
taxidf = taxidf . selectExpr ( 'ST_Point(CAST(Start_Lon AS Decimal(24,20)), CAST(Start_Lat AS Decimal(24,20))) AS pickup' , 'Trip_Pickup_DateTime' , 'Payment_Type' , 'Fare_Amt' )

 zoneDf = sedona . read . format ( 'csv' ). option ( "delimiter" , "," ). load ( "s3a://your-directory/data/TIGER2018_ZCTA5.csv" )
zoneDf = zoneDf . selectExpr ( 'ST_GeomFromWKT(_c0) as zone' , '_c1 as zipcode' )

แบบสอบถาม SQL เชิงพื้นที่เพื่อส่งคืนการเดินทางแท็กซี่ในแมนฮัตตันเท่านั้น

 taxidf_mhtn = taxidf . where ( 'ST_Contains(ST_PolygonFromEnvelope(-74.01,40.73,-73.93,40.79), pickup)' )

Spatial Join ระหว่าง Taxi Dataframe และ Zone Dataframe เพื่อค้นหาแท็กซี่ในแต่ละโซน

 taxiVsZone = sedona . sql ( 'SELECT zone, zipcode, pickup, Fare_Amt FROM zoneDf, taxiDf WHERE ST_Contains(zone, pickup)' )

แสดงแผนที่ของ Spatial Dataframes ที่โหลดโดยใช้ GeoPandas

 zoneGpd = gpd . GeoDataFrame ( zoneDf . toPandas (), geometry = "zone" )
taxiGpd = gpd . GeoDataFrame ( taxidf . toPandas (), geometry = "pickup" )

zone = zoneGpd . plot ( color = 'yellow' , edgecolor = 'black' , zorder = 1 )
zone . set_xlabel ( 'Longitude (degrees)' )
zone . set_ylabel ( 'Latitude (degrees)' )

zone . set_xlim ( - 74.1 , - 73.8 )
zone . set_ylim ( 40.65 , 40.9 )

taxi = taxiGpd . plot ( ax = zone , alpha = 0.01 , color = 'red' , zorder = 3 )

ภาพนักเทียบท่า

เราจัดเตรียมอิมเมจ Docker สำหรับ Apache Sedona พร้อมด้วย Python JupyterLab และคลัสเตอร์แบบโหนดเดียว รูปภาพมีอยู่ใน DockerHub

อาคารเซดอนา

ในการติดตั้งแพ็คเกจ Python:
```
 pip install apache-sedona
```
หากต้องการรวบรวมซอร์สโค้ด โปรดดูที่เว็บไซต์ Sedona
โมดูลในซอร์สโค้ด

ชื่อ	เอพีไอ	การแนะนำ
ทั่วไป	ชวา	ตรรกะการดำเนินการทางเรขาคณิตหลัก การทำให้เป็นอนุกรม ดัชนี
จุดประกาย	จุดประกาย RDD/DataFrame Scala/Java/SQL	การประมวลผลข้อมูลเชิงพื้นที่แบบกระจายบน Apache Spark
สะบัด	Flink DataStream/ตารางใน Scala/Java/SQL	การประมวลผลข้อมูลเชิงพื้นที่แบบกระจายบน Apache Flink
เกล็ดหิมะ	สโนว์เฟลก SQL	การประมวลผลข้อมูลเชิงพื้นที่แบบกระจายบน Snowflake
มีประกายไฟ	ไม่มีซอร์สโค้ด	ขวดโหลสำหรับ Sedona Spark
ปัดเงา	ไม่มีซอร์สโค้ด	ขวดโหลสำหรับ Sedona Flink
เครื่องทดสอบเกล็ดหิมะ	ชวา	โปรแกรมทดสอบสำหรับ Sedona Snowflake
หลาม	จุดประกาย RDD/DataFrame Python	การประมวลผลข้อมูลเชิงพื้นที่แบบกระจายบน Apache Spark
ร	จุดประกาย RDD/DataFrame ใน R	กระดาษห่อ R สำหรับ Sedona
เรือเหาะ	อาปาเช่ เซพเพลิน	ปลั๊กอินสำหรับ Apache Zeppelin 0.8.1+