矢量大数据（Geoanalytics Server）之run python script入门基础篇

在GA的rest页面查看工具，可以看到runpythonscript的入口。

这个工具主要的目的有：
 

• 串联调用GA中的工具；

 

• 利用pyspark包功能的能力；

 

• 串联处理的中间数据不用保存到本地，节省了数据保存的时间，提高了工具效率。

 
有的小伙伴已经使用过arcgispythonapi调用GA，但是使用runpythonscript写Python代码与前者不太一致，但是想要入门也不难，我们一起来看下。
 

arcgispytonapi可以运行在Pro中或者以独立脚本执行，但是runpythonscript的代码块目前只能在这个固定的位置执行。

我们分别从数据源，调用工具处理以及保存三个角度考虑。

1.数据源主要是bigdatafileshare和要素服务，不管哪种数据源，都需要转换成为dataframe格式，如此spark才能读取，示例：

#找到大数据文件共享路径



sensor_data = "https://host.domain.com/arcgis ... ot%3B 



# 将大数据文件共享加载成为一个dataframe



sensor_data_df = spark.read.format("webgis").load(sensor_data)

或者

#找到待分析的服务图层



url = "https://services.arcgis.com/P3 ... ot%3B



# 将图层加载成为一个dataframe



USA_HistoricSites = spark.read.format("webgis").load(url)

2.读取到数据源后，在runpythonscript中调用GA的广义线性回归工具，示例：

results = geoanalytics.generalized_linear_regression(input_layer, dependent_variable='landarea', explanatory_variables='constarea', regression_family='Continuous', generate_coefficient_table = False)

3 经过GA处理之后的结果写出成为图层，继续以广义线性回归为例：

#这个工具的结果是字典形式

out_put_name = results['output']

#将结果保存成webgis的模式

out_put_name.write.format("webgis").save("your result name")

在runpythonscript中使用GA的广义线性回归的完整示例：

input_layer= spark.read.format("webgis").load("https://ggxl.esrichina.com/arc ... 6quot;)



results = geoanalytics.generalized_linear_regression(input_layer, dependent_variable='calls', explanatory_variables=['pop'], regression_family='Continuous', generate_coefficient_table = False)



out_put_name = results['output']



out_put_name.write.format("webgis").save("xl_test")

参考资料：
 
更多GA工具调用参考 https://developers.arcgis.com/rest/services-reference/using-geoanalytics-tools-in-pyspark.htm 

如何将数据源转呈spark可读详细参考https://developers.arcgis.com/rest/services-reference/using-webgis-layers-in-pyspark.htm 
 
参考上述连接将GA处理结果保存。