地理空间数据帮助我们了解地球上的各种事物和现象的位置。比如，我们想知道哪里最适合开设新的店铺，天气如何影响某个区域的销售，哪里是最理想的旅行路线，或是哪里受到了严重的自然灾害影响等。这些问题都能通过空间数据技能来得到答案。今天我们来探索这个有趣的技术，从一个案例研究开始：霍乱是如何在一个城市中爆发的。
我们首先需要学习关于地理空间数据的一些基本概念。矢量数据描述的是事物的形状和位置，例如道路网络、建筑物或地理位置等。栅格数据则是像卫星图像一样的像素网格，每个像素都有相应的值或颜色。接下来是坐标参考系统（CRS），它帮助我们确定地球置的精确位置。我们还会介绍一些工具，如地理配准和地理编码等。这些都是为了更好地理解后续案例分析的内容。
在我们的案例中，要探究的是约翰·雪所开展的关于1854年伦敦宽街霍乱爆发的分析。那时的约翰雪使用了当时的地图数据来确定爆发的源头。现在的我们可以使用先进的工具来重现这次分析。
首先我们从网上下载了相关的数据并将其解压。数据包括了死亡点、水泵的位置、数字化地图等信息。我们使用Python中的地理pandas库来读取这些数据。这个库允许我们像处理普通表格一样处理地理数据，同时还能处理地理空间相关的操作。
接下来我们查看数据的坐标参考系统（CRS），确保我们能够正确地在地图上展示这些数据。然后我们使用Python的绘图库matplotlib和contextily来绘制地图。我们可以看到死亡点和泵的位置分布。
我们来绘制死亡数据的图表。以’Count’列为依据，使用alpha参数使数据点的透明度为0.5，边缘颜色为黑色，并带有图例。我们将参考这个图表来进一步绘制其他内容。
通过以下代码，我们在原始图表上进一步绘制了泵的位置，并用红色的X标记它们。我们将图表放大至15×15的尺寸以便更好地展示数据。
对于伦敦宽街的地图，我们可以利用上下文来读取坐标参考系统（CRS）的数据。在绘制死亡数据和泵的位置后，我们通过add_basemap函数将地图添加到图表上。需要注意的是，如果没有指定crs参数，地图将失去意义。
接下来，我们想要查看在John Snow的原始地图上的相同数据。要做到这一点，我们只需将源参数更改为SnowMap.tif即可。同样地，我们在图表上添加了地图，并使用了Snow手绘的原始地图。
通过观察图表，约翰·雪兰发现大多数霍乱死亡病例都集中在Broad Street和Leton Street交叉口的一个特定水泵周围（地图中间附近的红色X）。他将这次爆发归因于该水泵的受污染水源。有趣的是，自1854年以来，这个地区几乎没有发生变化。
