ArcGIS10地理信息系统实习教程/地理信息科学系列 pdf epub mobi txt 电子书 下载 2025

简体网页||繁体网页

☆☆☆☆☆

[美] 维尔潘·L.戈尔，克里斯腾·S.库兰 著，朱秀芳 译

图书标签:

• ArcGIS
• 地理信息系统
• GIS
• 实习教程
• 地理信息科学
• 空间分析
• 遥感
• 地图学
• 软件操作
• ArcGIS10

出版社： 高等教育出版社

ISBN：9787040476569

版次：1

商品编码：12161179

包装：平装

丛书名： 地理信息科学系列

开本：16开

出版时间：2017-07-01

用纸：胶版纸

正文语种：中文

内容简介

　　《ArcGIS10地理信息系统实习教程/地理信息科学系列》是一本非常实用的工具书，由作者根据在卡内基梅隆大学向不同院系本科生、研究生及参加夏令营的高中生教授GIS课程的经验汇编而成。书中详细讲述了关于GIS的各种操作，不仅可以使读者掌握基本的ArcGIS操作，还可以帮助读者熟练运用多种不同的空间分析方法。
　　全书分为三大部分。第一部分“地图使用与绘制”对于每位初学者来说都非常关键，涵盖了有关地图的基本的操作。第二部分“空间数据处理”引导读者从互联网上通过政府的网站下载空间数据，并对数据进行处理以备在GIS中使用，包含了关于构建地理信息系统的大量专业技术。第三部分“空间数据分析”阐述了GIS的作用远远不仅是制图，详细介绍了利用ArcGIS中丰富的分析工具来进行空间数据分析的方法。书中三部分内容在很大程度上是互相独立的，读者可以根据自身的实际需求来选择性地阅读，但第一部分的各个章节建议按照顺序来进行学习。为了帮助读者强化学到的技术，提升核心问题解决能力，每章的最后都设置了具有一定挑战性的作业。

作者简介

　　朱秀芳，北京师范大学遥感科学与工程研究院副教授、硕士研究生导师。毕业于美国马里兰大学地理系并获得博士学位。主要研究方向为遥感应用和地理信息系统。主持和参与国家自然科学基金青年科学基金项目、高等学校博士学科点专项科研基金项目、北京市自然科学基金项目、“高分辨率对地观测系统”重大科技专项、国家发改委卫星及应用产业发展专项等10余项国家和省部级项目。已发表论文80余篇．参与撰写中英文专著各一部。

目录

第一部分 地图使用与绘制
第1章 概述
教程1-1 打开和保存地图文档
启动ArcMap
打开一个现有地图文档
将地图文档保存至新地址
教程1-2 图层操作
打开与关闭图层
添加与移除图层
使用相对路径
从Catalog窗口中拖放图层
自动隐藏Catalog窗口
更改图层显示顺序
更改图层颜色
更改轮廓线颜色
教程1-3 浏览地图文档
放大
固定比例放大与缩小
平移
全视图、上一视图和下一视图
缩放到图层
开启放大镜窗口
更改放大镜属性
使用总览窗口
使用空间书签
教程1-4 测量距离
更改度量单位
测量华盛顿州的宽度
教程1-5 使用要素属性
使用识别工具
使用高级查询工具
查找要素
教程1-6 选择要素
使用要素选择工具
教程1-7 更改选择项
更改选中要素所在图层的
属性
设置可选图层
按图形选择
教程1-8 使用属性表
打开“US Cities”图层的属性表并
选择属性记录
在地图中选择要素并查看
所选记录
切换选择
移动一个字段
字段排序
使用高级排序
统计
关闭字段
教程1-9 标注要素
设置标注属性和标注要素
关闭标注
将标注转换为注记
编辑标注图形
作业1-1 分析美国数量前十的种族人口
作业1-2 制作犯罪地图
……

第二部分 空间数据处理
第三部分 空间数据分析
附录A 任务索引
附录B 数据来源说明（Data source credits）
附录C 数据使用授权（Data license agreement）
附录D 数据和软件安装

《探索性数据分析：洞察数据背后的故事》 引言 在信息爆炸的时代，数据已成为驱动决策、理解世界、预测未来的核心要素。然而，原始数据本身往往杂乱无章，隐藏着复杂的模式和关系，等待我们去发掘。我们如何才能从海量数据中提炼出有价值的见解？如何才能有效地识别数据的异常、趋势和关联？《探索性数据分析：洞察数据背后的故事》正是这样一本旨在赋能读者掌握从数据中发现规律、理解现象的强大工具的书籍。它并非一本教你如何操作特定软件的“教程”，而是一门关于“思考”的艺术，一门关于“提问”的科学。本书将引领你踏上一段令人兴奋的数据之旅，让你学会如何“倾听”数据，理解它们想要讲述的故事，从而做出更明智、更有洞察力的决策。 第一部分：数据探索的基石——理解与预处理 在正式开始探索数据之前，我们需要为其奠定坚实的基础。本部分将从最根本的层面出发，帮助读者建立对数据的基本认知，并掌握处理数据过程中至关重要的预处理步骤。 第一章：数据概览与初步洞察 数据的生命周期与重要性： 我们将首先探讨数据在当今社会中的角色，从收集、存储、处理到最终的应用，理解数据全生命周期的意义，以及为何探索性数据分析（EDA）是这个过程中不可或缺的一环。EDA的本质在于“先理解，后建模”，避免盲目套用模型而错失数据本身的洞察。 数据的类型与维度： 详细介绍不同类型的数据，如数值型（离散、连续）、类别型（名义、有序）、文本型、时间序列型等，并解释维度（特征）的概念。理解数据类型是选择合适分析方法的前提。例如，分析连续数值数据和分析分类数据的方法截然不同。 数据质量的初步评估： 缺失值、异常值、重复值、不一致性等是数据中常见的“噪音”。本章将教会你如何系统地识别这些问题，并对其进行初步的量化评估。理解数据的“健康状况”是后续分析的起点，直接关系到分析结果的可靠性。 描述性统计的入门： 掌握常用的描述性统计指标，如均值、中位数、众数、方差、标准差、极差、分位数等。这些指标能快速勾勒出数据集的中心趋势、离散程度和分布形态。我们将通过实际案例，展示如何利用这些指标来初步理解数据的分布特性。 数据集的初步结构分析： 了解数据集的行数（样本量）、列数（特征数量）等基本信息。分析不同特征之间的数量关系，例如，一个特征有多少个唯一的取值？最常见的取值是什么？这些简单的统计信息能帮助我们快速建立对数据集规模和复杂度的初步认识。 第二章：数据清洗与转换——让数据“说话” 数据并非总是完美无瑕，高质量的分析依赖于干净、规范的数据。本章将聚焦于数据清洗与转换的核心技术，让数据为我们的分析提供清晰、一致的信号。 缺失值处理策略： 深入探讨各种缺失值处理方法，包括删除（删除行或列）、插补（均值/中位数/众数插补、回归插补、KNN插补等）以及标记缺失。我们将分析不同方法的优缺点及其适用场景，以及如何权衡数据丢失与信息失真的风险。 异常值检测与处理： 介绍多种检测异常值的方法，如基于统计的方法（Z-score、IQR）、基于可视化方法（箱线图、散点图）以及更高级的算法（如LOF、Isolation Forest）。对于检测到的异常值，我们将讨论如何选择合适的处理方式，例如截断、替换、视为独立类别或将其移除，并分析不同处理方式对后续分析的影响。 数据标准化与归一化： 解释为什么要进行数据标准化和归一化，以及它们在不同算法中的重要性（如距离计算、梯度下降）。我们将详细介绍Min-Max标准化、Z-score标准化等常用方法，并指导读者如何根据具体需求选择合适的缩放技术。 特征编码： 处理类别型数据是数据预处理中的常见挑战。本章将详细讲解独热编码（One-Hot Encoding）、标签编码（Label Encoding）、序数编码（Ordinal Encoding）等方法，并分析它们的适用性，例如，何时使用独热编码可以避免引入虚假的序数关系。 日期与时间数据的处理： 日期和时间数据包含丰富的时间信息，但直接使用可能不便。我们将介绍如何从日期时间字符串中提取年、月、日、星期、小时等特征，以及如何计算时间间隔，为时间序列分析或包含时间维度的分析做好准备。 文本数据的初步处理： 对于包含文本的数据，简单的字符串匹配往往不足够。本章将介绍文本清洗（去除标点、转换为小写、去除停用词）和基础文本特征提取（如词袋模型、TF-IDF）的初步概念，为后续的自然语言处理任务打下基础。 第二部分：可视化探索——用眼睛“看见”数据 统计指标能告诉我们数据的“是什么”，而可视化则能帮助我们“看清楚”数据，发现那些隐藏在数字背后的模式、趋势和关系。本部分将是本书的核心，引导读者掌握各种强大的可视化技术，从而直观地理解数据。 第三章：单变量可视化——认识个体 直方图与频率多边形： 深入理解直方图如何展示单个数值变量的分布形状，识别峰值、偏度、峰度等特征。我们将指导读者如何调整直方图的“箱数”，以获得最佳的可视化效果。 箱线图（Box Plot）： 学习如何利用箱线图来展示数据的中位数、四分位数、最大/最小值以及识别潜在的异常值。箱线图尤其适用于比较不同组别的数据分布。 密度图（Kernel Density Estimate, KDE）： 探索密度图如何提供比直方图更平滑的分布曲线，更清晰地展现数据的连续分布形态。 条形图（Bar Chart）： 用于展示类别数据的频率或比例。我们将区分普通条形图、堆叠条形图和百分比堆叠条形图，以及它们各自的适用场景。 饼图与派图（Pie Chart）： 讨论饼图的优缺点，以及何时适合使用它来表示部分与整体的关系，同时警示其在展示过多类别时的局限性。 数值变量的累积分布函数（CDF）图： 理解CDF图如何展示数据达到某个值的概率，以及它在理解数据累积效应方面的作用。 第四章：双变量与多变量可视化——揭示关系 散点图（Scatter Plot）： 最基础但也是最强大的双变量关系可视化工具。我们将深入讲解如何通过散点图观察变量间的相关性（正相关、负相关、无相关）、线性关系、非线性关系以及聚类现象。 带回归线的散点图： 在散点图上叠加回归线，直观展示变量间的线性趋势，帮助我们评估模型的拟合程度。 线图（Line Chart）： 主要用于展示时间序列数据或有序数据随另一个变量（通常是时间）的变化趋势。我们将讨论如何识别趋势、周期性和季节性。 分组散点图与多图（Scatter Plot Matrix）： 当需要比较多个变量之间的两两关系时，散点图矩阵是理想的选择。它能在一张图中展示所有变量对之间的散点图，快速浏览数据间的相互作用。 热力图（Heatmap）： 用于可视化矩阵型数据，通过颜色深浅来表示数值大小。在相关性分析、基因组学、用户行为分析等领域应用广泛。 气泡图（Bubble Chart）： 在散点图的基础上，用气泡的大小来表示第三个变量，从而实现三维信息的可视化。 堆叠区域图（Stacked Area Chart）： 用于展示随时间变化的组成部分的总量及其各部分的贡献。 平行坐标图（Parallel Coordinates Plot）： 适合展示高维数据集，通过平行的纵轴表示各个维度，数据点则由连接各维度数值的线表示，便于观察高维数据中的模式和异常。 第五章：高级可视化技术与交互式探索 地理空间数据可视化入门： 介绍地图的基本概念，以及如何将数据与地理位置信息关联起来进行可视化。我们将讨论点状图、区域填充图（Choropleth Map）等基本地图类型，展示地理空间数据的空间分布特征。 交互式可视化： 讲解如何利用交互式图表（如缩放、平移、工具提示、筛选、高亮）来更深入地探索数据。交互性允许用户主动探索，发现隐藏的细节。 数据故事叙述与可视化： 不仅仅是绘制图表，更重要的是如何通过图表串联起一个有逻辑、有洞察力的数据故事。我们将讨论如何选择合适的图表来支撑你的论点，以及如何组织可视化元素来引导观众的理解。 仪表盘（Dashboard）设计理念： 简要介绍仪表盘的设计原则，如何在一个统一的界面中展示多个相关的图表，以便用户全面监控和分析关键指标。 第三部分：深入洞察——模式、关系与异常 在本部分，我们将超越基础的可视化，学习更深入的统计方法和技术，以发现数据中隐藏的模式、量化变量间的关系，并识别更微妙的异常。 第六章：相关性分析——量化关系强度 皮尔逊相关系数： 深入理解皮尔逊相关系数的计算方法、取值范围及其解释。我们将讨论如何评估线性关系的强度和方向。 斯皮尔曼秩相关系数： 学习如何计算斯皮尔曼相关系数，以及它在处理非线性关系或有序类别数据时的优势。 相关性矩阵与热力图： 将相关性系数可视化为相关性矩阵，并通过热力图直观展示变量间的相关性强度和模式。 因果关系与相关关系的区分： 强调相关性不等于因果关系，并提供一些案例说明如何避免过度解读相关性。 第七章：数据分组与聚类——发现群体特征 分组统计： 学习如何根据一个或多个分类变量对数据进行分组，并计算每组的统计量（均值、总和、计数等），从而比较不同群体的特征。 聚类分析基础： 引入聚类分析的概念，将其视为一种无监督学习方法，用于发现数据中隐藏的自然群体。 K-Means聚类算法： 详细介绍K-Means算法的原理、步骤和参数设置。我们将通过实例演示如何应用K-Means来发现数据集中的簇，并讨论如何评估聚类结果的质量（如轮廓系数）。 层次聚类分析： 介绍层次聚类（聚合型和分裂型）的概念，以及树状图（Dendrogram）如何直观展示数据点的层次关系。 簇内与簇间方差： 理解簇内和簇间方差在评估聚类效果中的作用。 第八章：时间序列分析入门——洞察时间维度 时间序列数据的特性： 了解时间序列数据的构成（趋势、季节性、周期性、随机性）及其特有的依赖性。 时间序列的平稳性： 解释平稳性在时间序列分析中的重要性，并介绍检验平稳性的方法（如ADF检验）。 自相关与偏自相关函数（ACF与PACF）： 学习如何绘制ACF和PACF图来识别时间序列的模式，例如滞后关系和季节性成分。 移动平均（Moving Average）与指数平滑（Exponential Smoothing）： 介绍这些基础的时间序列平滑技术，用于去除噪音和识别短期趋势。 时间序列分解： 将时间序列分解为趋势、季节性和残差成分，以便更好地理解其内在结构。 第四部分：从探索到应用——总结与展望 本部分将对前面所学的内容进行总结，并探讨如何将探索性数据分析的结果转化为实际行动，以及EDA在更广泛的数据科学流程中的位置。 第九章：EDA报告与沟通——分享你的发现 EDA报告的结构： 教授如何撰写一份清晰、有说服力的EDA报告，包括数据概况、数据质量问题及处理、关键可视化结果、发现的洞察以及潜在的下一步行动建议。 有效沟通数据洞察： 强调如何用非技术语言向不同背景的听众解释复杂的数据发现，使你的分析成果易于理解和接受。 故事驱动的可视化： 回顾如何通过一系列精心设计的图表来讲述一个引人入胜的数据故事，从而清晰地传达核心信息。 第十章：EDA在数据科学工作流中的定位 EDA与数据预处理的关系： 强调EDA不仅是预处理的辅助，更是指导预处理方向的关键。 EDA与建模的关系： 说明EDA的发现如何帮助我们选择合适的模型、构建特征、理解模型结果，以及诊断模型问题。 EDA与数据产品开发： 探讨EDA如何为产品设计、功能优化、用户行为分析提供重要依据。 持续的探索： 强调数据分析是一个迭代的过程，EDA并非一次性任务，而应贯穿整个数据生命周期。 结论 《探索性数据分析：洞察数据背后的故事》不仅仅是教授你一套方法论，更是为你打开一扇通往数据世界的大门。通过系统学习本书提供的概念、技术和可视化工具，你将能够自信地面对任何数据集，挖掘其中蕴含的宝贵信息。无论你是学生、研究人员、业务分析师还是数据科学家，掌握探索性数据分析的能力，都将极大地提升你解决问题、做出决策的效率和质量。数据不再是冰冷的数字，而是充满故事的叙述者，而你，将成为那个最懂倾听和解读故事的人。

评分☆☆☆☆☆

坦白说，我一开始对这本《ArcGIS10地理信息系统实习教程/地理信息科学系列》并没有太高的期待，觉得 GIS 教程都大同小异，无非是教你点点鼠标、填填参数。但当我真正开始阅读这本书的时候，我发现它真的与众不同。它不像很多教程那样只是干巴巴地罗列操作步骤，而是花了大量的篇幅去讲解背后的地理学原理和GIS的科学内涵。这本书就像一位循循善诱的老师，不仅告诉你“怎么做”，更重要的是告诉你“为什么这么做”，并且解释了这么做的科学依据是什么。这种理论与实践相结合的方式，让我对 GIS 的理解得到了质的飞跃。我以前只知道怎么做缓冲区分析，但通过这本书，我才真正理解了缓冲区分析的数学模型和其在不同场景下的适用性。而且，教程中对一些前沿的 GIS 技术，如遥感影像处理、三维 GIS 等也有所提及，虽然篇幅不多，但足以勾起我对这些更高级领域的兴趣。这本书的深度和广度都超出了我的预期，它让我看到了 GIS 作为一个独立科学学科的魅力，也让我对未来在这个领域的深入学习充满了期待。

评分☆☆☆☆☆

我是一名热爱旅行的业余爱好者，一直以来都对地图和地理信息有着浓厚的兴趣，但缺乏系统性的学习。《ArcGIS10地理信息系统实习教程/地理信息科学系列》这本书，恰好满足了我对 GIS 的好奇心，让我能够以一种更加专业和有趣的方式来探索世界。教程中很多关于地图制作和地理数据可视化的章节，让我能够将旅行中的点滴记录，用更直观、更具故事性的方式呈现出来。例如，我可以用它来绘制自己徒步路线的详细地图，标记沿途的景点、地质构造、甚至是我发现的特色植物。教程中讲解的各种符号、注记、专题地图的制作技巧，都让我能够创作出精美的、充满个性的地图作品。而且，书中所提及的地理信息科学的一些概念，如地理现象的空间分布规律、地理环境的演化过程等，也让我在旅行中对所见的风景有了更深的理解。我不再仅仅是走马观花，而是开始思考这些地方的地理成因，以及它们与人类活动的关联。这本书让我的旅行变得更加充实和有意义，我可以用 GIS 来记录和分享我的每一次探索。

评分☆☆☆☆☆

这本书真是太棒了！作为一名 GIS 新手，我之前接触过一些 GIS 软件，但总感觉概念模糊，操作生疏，离真正能独立完成项目还有很大距离。这次有幸读到《ArcGIS10地理信息系统实习教程/地理信息科学系列》，简直像打开了一扇新世界的大门。教程的编排逻辑非常清晰，从最基础的软件安装、界面介绍开始，一步步深入到数据采集、编辑、空间分析、地图制作等核心环节。每一个知识点都配有详细的操作步骤和图示，即使是第一次接触 ArcGIS 的读者，也能轻松跟上。书中举的案例也非常贴合实际应用，例如在城市规划、环境监测、资源管理等领域，让我对 GIS 的实际价值有了更直观的认识。我特别喜欢教程中关于数据处理和质量控制的部分，这对于保证 GIS 项目的准确性和可靠性至关重要。书中提到的各种空间分析工具，如缓冲区分析、叠加分析、网络分析等，也让我对如何从地理数据中提取有价值的信息有了更深的理解。而且，教程中不仅讲解了操作，还融入了许多地理信息科学的理论知识，让我不仅“会用”，更能“理解背后的原理”。总而言之，这本书为我打下了坚实的 GIS 基础，让我对未来的 GIS 学习充满了信心。

评分☆☆☆☆☆

作为一名拥有多年 GIS 从业经验的工程师，我一直在寻找一本能够帮助我拓展视野、深化理解的参考书。《ArcGIS10地理信息系统实习教程/地理信息科学系列》的确给了我不少惊喜。这本书在基础操作的讲解上固然扎实，但其更吸引我的是对 GIS 理论和方法论的深入探讨。教程中对于空间数据模型、坐标系统、投影变换等关键概念的解释，以及对各种空间分析算法原理的阐述，都非常到位，这对于我这种需要不断更新知识体系的从业者来说，是宝贵的财富。尤其是在高级分析技术方面，教程中对一些复杂空间分析的应用场景和实现思路的介绍，让我受益匪浅。例如，关于时空数据分析的讨论，以及如何利用 GIS 进行更精细化的模型构建，这些都是我在日常工作中经常会遇到的挑战。这本书不仅提供了操作指南，更重要的是，它教会了我“为什么”要这么做，以及“如何”做得更好。它帮助我从宏观层面梳理了 GIS 的发展脉络和应用前沿，让我对 GIS 的未来发展趋势有了更清晰的认识。对于想要在 GIS 领域深耕的专业人士而言，这本书绝对是一本值得反复研读的案头必备。

评分☆☆☆☆☆

说实话，我之前对 GIS 的印象仅仅停留在“画地图”的层面，觉得它离我的专业领域——社会学——有点远。但朋友推荐了《ArcGIS10地理信息系统实习教程/地理信息科学系列》后，我抱着试试看的心态翻阅了一下，没想到被深深吸引了。教程的案例分析部分，尤其是关于社会经济数据可视化和空间统计的内容，让我眼前一亮。书中通过具体的案例，展示了如何利用 ArcGIS 对人口分布、犯罪率、交通网络等社会现象进行空间层面的研究，这对于理解和分析复杂的社会问题非常有启发。我开始意识到，GIS 绝不仅仅是技术工具，它更是一种强大的研究方法论。教程中对于数据关联分析和空间指标计算的讲解，让我看到了将 GIS 应用于社会科学研究的巨大潜力。例如，通过缓冲区分析来研究特定区域的社会服务可达性，或者通过空间自相关分析来探索社会经济因素的空间集聚规律。这本书让我意识到，GIS 能够帮助我们以一种全新的、更具空间视角的方式来理解和解释人类社会。我迫不及待地想尝试将教程中学到的方法应用到我自己的研究课题中，相信它能为我的研究带来更多深度和广度。

评分☆☆☆☆☆

GIS正在研究这一块，学习中

评分☆☆☆☆☆

GIS正在研究这一块，学习中

评分☆☆☆☆☆

GIS正在研究这一块，学习中

评分☆☆☆☆☆

书破了，分拣的时候就没看吗？这在书店能卖得出去？

评分☆☆☆☆☆

书破了，分拣的时候就没看吗？这在书店能卖得出去？

评分☆☆☆☆☆

书破了，分拣的时候就没看吗？这在书店能卖得出去？

评分☆☆☆☆☆

GIS正在研究这一块，学习中

评分☆☆☆☆☆

书破了，分拣的时候就没看吗？这在书店能卖得出去？

评分☆☆☆☆☆

GIS正在研究这一块，学习中