7. Datos Espaciales#

7.1. Tablas geográficas#

¿Qué son las tablas geográficas?

  • Son estructuras de datos tipo tabla (filas y columnas) donde una columna contiene geometría.

  • Cada fila representa un objeto geográfico (por ejemplo, un país, cantón o punto).

  • Las columnas contienen atributos o características de ese objeto.

¿Qué significa “una columna contiene geometría”?

  • En una tabla geográfica, hay una columna especial llamada geometry, que almacena la forma y ubicación del objeto en el espacio.

  • Esta columna no contiene texto ni números tradicionales, sino objetos geométricos definidos según el estándar del Open Geospatial Consortium (OGC) conocido como Simple Features.

  • Tipos comunes de geometrías:

    • Point → representa una coordenada (latitud/longitud o X/Y).

    • LineString → una línea definida por múltiples puntos (por ejemplo, una carretera).

    • Polygon → una superficie cerrada (por ejemplo, el contorno de un país).

    • MultiPoint, MultiLineString, MultiPolygon → versiones compuestas de los anteriores.

  • Ejemplo de cómo se ve una geometría tipo polígono:

POLYGON ((-79.2 -2.1, -78.5 -2.1, -78.5 -1.5, -79.2 -1.5, -79.2 -2.1))


**Terminología estandarizada**
- En este enfoque:
  - **Feature** = columna (variable o atributo)
  - **Sample** = fila (observación completa)
- Aunque en GIS “feature” puede significar entidad espacial, aquí se sigue la lógica de ciencia de datos.

Ejemplo práctico: GeoDataFrame en geopandas

import geopandas as gpd

# Leer archivo GeoPackage
uu = "https://github.com/vmoprojs/DataLectures/raw/refs/heads/master/SpatialData/countries_clean.gpkg"
gt_polygons = gpd.read_file(uu)

Veamos algunos datos de la tabla con .head()

gt_polygons.head()
ADMIN geometry
0 Indonesia MULTIPOLYGON (((1.31e+07 4.64e+05, 1.31e+07 4....
1 Malaysia MULTIPOLYGON (((1.31e+07 4.64e+05, 1.31e+07 4....
2 Chile MULTIPOLYGON (((-7.74e+06 -1.98e+06, -7.74e+06...
3 Bolivia POLYGON ((-7.74e+06 -1.98e+06, -7.74e+06 -1.98...
4 Peru MULTIPOLYGON (((-7.74e+06 -1.98e+06, -7.75e+06...

Cada fila de esta tabla representa un país. Para cada país se registran únicamente dos características: el nombre administrativo y la geometría de su límite territorial. El nombre del país se almacena en la columna ADMIN y está codificado como un texto utilizando el tipo str de Python. La geometría del límite se encuentra en la columna geometry, y está representada mediante una clase especializada de Python diseñada para manipular objetos geométricos.

Al igual que en otras estructuras de datos tabulares en Python, tanto las filas como las columnas están indexadas; este índice actúa como identificador único y aparece resaltado en negrita en el margen izquierdo de la tabla. Esta tabla geográfica corresponde a un objeto del tipo geopandas.GeoDataFrame, ampliamente utilizado en el ecosistema Python para representar y analizar datos espaciales.

Las tablas geográficas almacenan información espacial incorporándola como una columna adicional. Pero, ¿cómo se representa internamente esta información? Para comprenderlo mejor, podemos examinar el tipo de objeto contenido en la primera fila de la columna correspondiente.

type(gt_polygons.geometry[0])

shapely.geometry.multipolygon.MultiPolygon

En geopandas, así como en otros paquetes dedicados a representar datos geográficos, la columna geometry posee características especiales que no se encuentran en columnas “normales”, como ADMIN.

Por ejemplo, cuando se genera una visualización del DataFrame, la columna geometry se utiliza automáticamente como la base para representar las formas geográficas, tal como se ilustra en la figura siguiente.

gt_polygons.plot();
_images/375288478a456fb55bcfe21812c188317b534662a6e222ac3955a58719312012.png

Modificar la representación geométrica de una muestra debe realizarse con precaución. Dado que la columna geometry tiene un comportamiento especial, existen funciones específicas para ajustar su contenido.

Por ejemplo, si se desea representar cada país mediante su centroide —un punto que se ubica en el centro de la forma—, es fundamental asegurarse de que la nueva columna geométrica se establezca correctamente utilizando el método set_geometry(). Esto resulta especialmente útil cuando se desea trabajar con dos representaciones geométricas distintas de una misma muestra.

A continuación, construiremos un mapa que muestre tanto el límite como el centroide de un país. Para calcular el centroide, se puede utilizar la propiedad gt_polygons.geometry.centroid, la cual devuelve el punto que minimiza la distancia promedio desde todos los demás puntos del contorno de la figura. El resultado puede almacenarse en una nueva columna, por ejemplo, denominada centroid.

gt_polygons["centroid"] = gt_polygons.geometry.centroid

Ahora tenemos un campo adicional

gt_polygons.head()
ADMIN geometry centroid
0 Indonesia MULTIPOLYGON (((1.31e+07 4.64e+05, 1.31e+07 4.... POINT (1.31e+07 -2.49e+05)
1 Malaysia MULTIPOLYGON (((1.31e+07 4.64e+05, 1.31e+07 4.... POINT (1.22e+07 4.23e+05)
2 Chile MULTIPOLYGON (((-7.74e+06 -1.98e+06, -7.74e+06... POINT (-7.96e+06 -4.92e+06)
3 Bolivia POLYGON ((-7.74e+06 -1.98e+06, -7.74e+06 -1.98... POINT (-7.2e+06 -1.89e+06)
4 Peru MULTIPOLYGON (((-7.74e+06 -1.98e+06, -7.75e+06... POINT (-8.28e+06 -1.03e+06)

Aunque la columna centroid contiene datos geométricos —lo cual se puede reconocer porque cada celda comienza con POINT—, no está definida como la geometría activa de la tabla.

Para cambiar esto, se puede utilizar el método set_geometry(), que permite asignar una nueva columna geométrica activa dentro del objeto GeoDataFrame.

Una vez realizada esta modificación, es posible visualizar simultáneamente los centroides y los límites de cada país al utilizar el nuevo valor de geometría establecido mediante set_geometry().

# Plot centroids
ax = gt_polygons.set_geometry("centroid").plot("ADMIN", markersize=5)
# Plot polygons without color filling
gt_polygons.plot(
    "ADMIN", ax=ax, facecolor="none", edgecolor="k", linewidth=0.2
);
_images/bf9e27ba1d68310c73fdcf771c31181a9fc43b1bdd5228d858f7905a9f5db6ac.png

Una vez más, es importante notar que podemos generar un mapa directamente al aplicar el método .plot() sobre un objeto GeoDataFrame. Además, es posible asignar colores temáticos a cada entidad geográfica en función de los valores de una columna específica —por ejemplo, utilizando la columna ADMIN—. En todos los casos, se utiliza la geometría activa para la visualización.

Como debe quedar claro hasta este punto, casi cualquier objeto geográfico puede ser representado mediante una o más columnas geométricas. Si consideramos la variedad de formas posibles, el panorama puede parecer complejo. Afortunadamente, el Open Geospatial Consortium (OGC) ha definido un conjunto de tipos geométricos abstractos, formalizados en la especificación ISO 19125-1, también conocida como la especificación de “simple features”.

Esta norma establece relaciones formales entre los distintos tipos geométricos:

  • Point: ubicación puntual en dos dimensiones (x, y).

  • LineString: camino formado por una secuencia de puntos conectados.

  • Polygon: superficie cerrada delimitada por al menos un LineString.

También existen variantes como MultiPoint, MultiLineString o MultiPolygon, que permiten representar conjuntos de geometrías del mismo tipo. Por ejemplo, Bolivia puede representarse como un único polígono en la columna de geometr

gt_polygons.query('ADMIN == "Bolivia"')
ADMIN geometry centroid
3 Bolivia POLYGON ((-7.74e+06 -1.98e+06, -7.74e+06 -1.98... POINT (-7.2e+06 -1.89e+06) 
gt_polygons.query('ADMIN == "Bolivia"').plot();
_images/6ffc5462ea9adadd558a6bc2946aa8317e4bdfe97340a1d1ea0748874bae21c6.png

Mientras que Indonesia es un MultiPolygon que contiene muchos Polygons para cada isla individual del país:

gt_polygons.query('ADMIN == "Indonesia"')
ADMIN geometry centroid
0 Indonesia MULTIPOLYGON (((1.31e+07 4.64e+05, 1.31e+07 4.... POINT (1.31e+07 -2.49e+05) 
gt_polygons.query('ADMIN == "Indonesia"').plot();
_images/8ad20b9c3a27c9df0692f6bd0b849394e1b847bb322761e1f282d9fde88ed82a.png

En muchos casos, las tablas geográficas contienen geometrías de un único tipo; por ejemplo, todos los registros pueden ser del tipo Point o LineString. Sin embargo, no existe un requisito formal que obligue a que todas las geometrías de una tabla sean del mismo tipo.

A lo largo de este documento utilizaremos ampliamente las tablas geográficas, almacenando principalmente polígonos, pero también puntos y líneas. Exploraremos las líneas con más detalle en la segunda parte del capítulo, pero por ahora nos detendremos brevemente en los puntos.

Como se mencionó anteriormente, los puntos son el tipo de entidad más simple, ya que no poseen dimensión, sino únicamente un par de coordenadas. Por esta razón, en algunos casos, los puntos pueden almacenarse incluso en una tabla no geográfica, utilizando simplemente una columna para cada coordenada.

Un ejemplo de esto se encuentra en el conjunto de datos de Tokio, que utilizaremos más adelante. En este caso, los datos están almacenados en un archivo de texto separado por comas, es decir, un archivo .csv.

import pandas as pd
uu = "https://raw.githubusercontent.com/vmoprojs/DataLectures/refs/heads/master/SpatialData/tokyo_clean.csv"
gt_points = pd.read_csv(uu)

Como lo hemos leído con pandas, la tabla se carga como un DataFrame, sin ninguna dimensión espacial explícita:

type(gt_points)

pandas.core.frame.DataFrame

Si inspeccionamos la tabla, encontramos que no hay una columna de geometry:

gt_points.head()
user_id longitude latitude date_taken photo/video_page_url x y
0 10727420@N00 139.700499 35.674000 2010-04-09 17:26:25.0 http://www.flickr.com/photos/10727420@N00/4545... 1.555139e+07 4.255856e+06
1 8819274@N04 139.766521 35.709095 2007-02-10 16:08:40.0 http://www.flickr.com/photos/8819274@N04/26503... 1.555874e+07 4.260667e+06
2 62068690@N00 139.765632 35.694482 2008-12-21 15:45:31.0 http://www.flickr.com/photos/62068690@N00/3125... 1.555864e+07 4.258664e+06
3 49503094041@N01 139.784391 35.548589 2011-11-11 05:48:54.0 http://www.flickr.com/photos/49503094041@N01/6... 1.556073e+07 4.238684e+06
4 40443199@N00 139.768753 35.671521 2006-04-06 16:42:49.0 http://www.flickr.com/photos/40443199@N00/2482... 1.555899e+07 4.255517e+06

Muchos conjuntos de datos basados en puntos se distribuyen en formato CSV, es decir, como tablas con columnas que contienen coordenadas. Para poder aprovechar al máximo este tipo de datos, es recomendable convertirlos en tablas GeoDataFrame.

Este proceso implica dos pasos principales:

  1. Transformar las coordenadas crudas en objetos geométricos, convirtiendo los valores de latitud y longitud en puntos espaciales reconocidos por GeoPandas.

import geopandas as gpd
pt_geoms = gpd.points_from_xy(
    x=gt_points["longitude"],
    y=gt_points["latitude"],
    # x,y are Earth longitude & latitude
    crs="EPSG:4326",
)

  1. A continuación, se crea un objeto GeoDataFrame utilizando las geometrías generadas en el paso anterior. Este objeto combina la estructura tabular de un DataFrame tradicional con una columna especial que almac

gt_points = gpd.GeoDataFrame(gt_points, geometry=pt_geoms)

Ahora, el objeto gt_points se comporta de manera muy similar al que utilizamos anteriormente para representar países. La diferencia principal es que, en este caso, la columna geometry almacena geometrías de tipo POINT, en lugar de polígonos. Esto permite aplicar las mismas herramientas de análisis y visualización geográfica, pero sobre datos puntuales.

gt_points.head()
user_id longitude latitude date_taken photo/video_page_url x y geometry
0 10727420@N00 139.700499 35.674000 2010-04-09 17:26:25.0 http://www.flickr.com/photos/10727420@N00/4545... 1.555139e+07 4.255856e+06 POINT (139.7 35.674)
1 8819274@N04 139.766521 35.709095 2007-02-10 16:08:40.0 http://www.flickr.com/photos/8819274@N04/26503... 1.555874e+07 4.260667e+06 POINT (139.77 35.709)
2 62068690@N00 139.765632 35.694482 2008-12-21 15:45:31.0 http://www.flickr.com/photos/62068690@N00/3125... 1.555864e+07 4.258664e+06 POINT (139.77 35.694)
3 49503094041@N01 139.784391 35.548589 2011-11-11 05:48:54.0 http://www.flickr.com/photos/49503094041@N01/6... 1.556073e+07 4.238684e+06 POINT (139.78 35.549)
4 40443199@N00 139.768753 35.671521 2006-04-06 16:42:49.0 http://www.flickr.com/photos/40443199@N00/2482... 1.555899e+07 4.255517e+06 POINT (139.77 35.672)

7.2. Superficies#

Las superficies se utilizan para representar datos según el modelo de campo espacial. En teoría, un campo es una superficie continua, lo que implica que podría medirse en un número infinito de ubicaciones. Sin embargo, en la práctica, los campos se miden en un conjunto finito de puntos de muestreo, distribuidos de forma uniforme en el espacio para mantener la continuidad del modelo.

Estas superficies se representan mediante rejillas o cuadrículas, donde cada celda contiene una observación. Una cuadrícula puede entenderse también como una tabla con filas y columnas, pero —a diferencia de las tablas geográficas convencionales— cada fila y columna está asociada directamente a una ubicación geográfica, no a una columna específica con geometría.

Para ilustrar cómo Python maneja estas superficies, utilizaremos un extracto de un conjunto de datos globales de población para la ciudad brasileña de São Paulo. Este conjunto registra el número de habitantes en celdas de tamaño uniforme que cubren toda la superficie terrestre. El extracto se encuentra en formato GeoTIFF, una variante del formato TIF que incluye información geográfica embebida.

Podemos leer este archivo utilizando el método open_rasterio() del paquete rioxarray, que permite cargar y manipular datos espaciales en formato ráster de forma eficiente.

import rioxarray as rxr
uu = "https://github.com/vmoprojs/DataLectures/raw/refs/heads/master/SpatialData/ghsl_sao_paulo.tif"
pop = rxr.open_rasterio(uu)

Este procedimiento carga los datos en un objeto del tipo DataArray, que es una estructura proporcionada por la librería xarray para trabajar con datos multidimensionales, comúnmente utilizada en análisis espaciales y climáticos.

type(pop)

xarray.core.dataarray.DataArray

xarray es una biblioteca diseñada para trabajar con arreglos multidimensionales etiquetados. ¿Qué significa esto? A diferencia de las tablas tradicionales que tienen solo dos dimensiones (filas y columnas), xarray permite manejar estructuras con un número arbitrario de dimensiones, lo que resulta ideal para representar fenómenos complejos en el espacio y el tiempo.

Cada dimensión está asociada a un índice o coordenada, lo que permite acceder, filtrar y operar los datos de forma eficiente y estructurada. En el caso de los objetos DataArray, estas coordenadas se almacenan en el atributo .coords, desde el cual pueden consultarse directamente.

pop.coords

Coordinates:
  * band         (band) int64 1
  * x            (x) float64 -4.482e+06 -4.482e+06 ... -4.365e+06 -4.365e+06
  * y            (y) float64 -2.822e+06 -2.822e+06 ... -2.926e+06 -2.926e+06
    spatial_ref  int64 0

De manera interesante, nuestra superficie cuenta con tres dimensiones: x, y y band. Las dos primeras representan la latitud y longitud que abarca cada celda de la cuadrícula poblacional. La tercera, band, contiene un único valor (1), por lo que en este caso no aporta información relevante.

Sin embargo, es fácil imaginar contextos donde una tercera dimensión sí resulta útil. Por ejemplo, una imagen óptica a color puede tener tres bandas: rojo, verde y azul. Sensores más avanzados pueden capturar bandas adicionales, como el infrarrojo cercano (NIR) o incluso bandas de radio.

Asimismo, si una superficie se mide a lo largo del tiempo —como los geocubos mencionados en el Capítulo 2—, cada banda podría representar un instante temporal distinto en el que se registró el campo. En resumen, una superficie geográfica suele tener dos dimensiones espaciales (x e y) para ubicar las celdas, y al menos una dimensión adicional (band) para registrar otras características del fenómeno observado.

Un objeto de tipo xarray.DataArray contiene información adicional sobre los datos que almacena en el atributo .attrs. Este atributo funciona como un diccionario de metadatos, donde se pueden encontrar detalles relevantes sobre el origen, la unidad de medida, la resolución espacial, el sistema de coordenadas, entre otros aspectos que describen el contenido del arreglo.

pop.attrs

{'AREA_OR_POINT': 'Area',
 '_FillValue': -200.0,
 'scale_factor': 1.0,
 'add_offset': 0.0}

En este caso, el atributo .attrs incluye información clave para convertir los píxeles del arreglo en ubicaciones geográficas reales sobre la superficie terrestre. Entre estos metadatos se encuentran, por ejemplo, el sistema de referencia espacial (crs) y el parámetro de transformación (transform).

Además, se especifica la resolución espacial, que en este conjunto de datos es de 250 metros por 250 metros. Esta información, junto con otros metadatos adicionales, nos permite comprender mejor el origen de los datos, su estructura y cómo deben interpretarse en un contexto geográfico.

Por lo tanto, nuestro objeto DataArray posee tres dimensiones:

pop.shape

(1, 416, 468)

Una operación común consiste en reducir el objeto DataArray a solo las dos dimensiones geográficas (x e y). Para ello, se puede utilizar el operador .sel, que permite seleccionar datos según el valor de sus coordenadas.

Este método resulta útil cuando se desea trabajar únicamente con una banda específica u observar una porción del arreglo espacial en función de sus coordenadas.

pop.sel(band=1)

<xarray.DataArray (y: 416, x: 468)>
[194688 values with dtype=float32]
Coordinates:
    band         int64 1
  * x            (x) float64 -4.482e+06 -4.482e+06 ... -4.365e+06 -4.365e+06
  * y            (y) float64 -2.822e+06 -2.822e+06 ... -2.926e+06 -2.926e+06
    spatial_ref  int64 0
Attributes:
    AREA_OR_POINT:  Area
    _FillValue:     -200.0
    scale_factor:   1.0
    add_offset:     0.0

El objeto resultante es, por tanto, un arreglo bidimensional. Al igual que ocurre con las tablas geográficas, podemos visualizar rápidamente los valores del conjunto de datos mediante un gráfico, lo que facilita la exploración visual del fenómeno representado en el espacio.

pop.sel(band=1).plot();
_images/8de011b9c8136e87dced94d4503dd1734013431d0c3931e723ac673fb94d0958.png

Esta visualización nos ofrece una primera aproximación a la distribución poblacional en la región de São Paulo. Sin embargo, al inspeccionar el mapa con mayor detalle, observamos que aparecen valores negativos en el conteo de población, lo cual resulta sorprendente.

¿Por qué ocurre esto? En muchos conjuntos de datos espaciales, los valores perdidos no se representan como NaN, sino mediante valores imposibles, como una constante negativa. Tal como se muestra en el atributo nodatavals del objeto, los datos faltantes se codifican con el valor -200.

Teniendo esto en cuenta, podemos utilizar el método .where() para filtrar únicamente los valores válidos, es decir, aquellos distintos de -200, y así evitar que los datos faltantes distorsionen el análisis.

pop.where(pop != -200).sel(band=1).plot(cmap="RdPu");
_images/1a04991acb02250b1bbb610088999bcc33732652600f0ca7271ec810db69efda.png

Ahora, la barra de colores tiene un aspecto mucho más coherente, ya que refleja únicamente los valores reales de población, sin incluir los valores reservados para datos faltantes. Esto permite una interpretación más precisa y clara del mapa, centrada únicamente en la información válida.

7.3. Grafos espaciales#

Los grafos espaciales almacenan las conexiones entre objetos a través del espacio. Estas conexiones pueden derivarse de la topología geográfica (como la contigüidad), de la distancia, o de dimensiones más complejas como los flujos de interacción (por ejemplo, desplazamientos, comercio o comunicaciones).

A diferencia de las tablas geográficas o las superficies espaciales, los grafos tienen una naturaleza distinta. En primer lugar, no registran directamente fenómenos medidos, sino que se centran en las relaciones entre objetos, facilitadas o limitadas por la distancia o el espacio. En segundo lugar, por su carácter relacional, los datos en los grafos no siguen una estructura rígida: mientras una entidad puede estar conectada a una sola, otra puede tener múltiples conexiones. Esto contrasta fuertemente con las estructuras de datos espaciales tradicionales, que son estructuradas y multidimensionales.

Estas características requieren un conjunto distinto de estructuras de datos en Python. A diferencia de las anteriores, existen varios formatos para representar grafos espaciales, cada uno optimizado para distintos fines. Uno de los casos más comunes es el uso de matrices de pesos espaciales en métodos estadísticos como el análisis exploratorio o la regresión, tema que se abordará en el siguiente capítulo.

En este capítulo, revisaremos brevemente otra forma de representar grafos espaciales, más cercana al concepto matemático de grafo. Un grafo está compuesto por nodos conectados entre sí mediante aristas. En un grafo espacial, los nodos pueden representar lugares geográficos con una ubicación definida, y las aristas pueden representar rutas o trayectorias entre ellos. Para poder analizar una red, es necesario contar con información sobre ambos elementos: nodos y aristas.

Como ejemplo, utilizaremos la biblioteca osmnx, que permite consultar datos de OpenStreetMap. A modo ilustrativo, extraeremos el grafo de calles del parque Yoyogi, ubicado cerca del área de Tokio usada en ejemplos anteriores.

import osmnx as ox
graph = ox.graph_from_place("Yoyogi Park, Shibuya, Tokyo, Japan")

El fragmento de código anterior envía una consulta al servidor de OpenStreetMap para obtener los datos del grafo. Es importante tener en cuenta que esta operación requiere conexión a internet para funcionar correctamente.

Una vez que los datos son recuperados por osmnx, se procesan automáticamente y se convierten en una representación de grafo en Python. Esta estructura permite trabajar directamente con nodos y aristas, lo que facilita el análisis y visualización de redes espaciales utilizando herramientas del ecosistema networkx.

type(graph)

networkx.classes.multidigraph.MultiDiGraph

Podemos realizar una inspección rápida de la estructura del grafo utilizando el método plot_graph(). Esta función genera una visualización básica del grafo, mostrando los nodos y las conexiones (aristas) entre ellos, lo que permite obtener una vista general de la red espacial.

ox.plot_graph(graph);
_images/757b4b7a4e85e94baccb15bea2f2c209b2f759070e20b99c2d0829af12186849.png

El grafo resultante es en realidad un objeto del tipo MultiDiGraph de la biblioteca networkx, especializada en el análisis de grafos en Python. En este caso, el grafo representa una colección de 113 nodos, que corresponden a intersecciones de calles dentro del área seleccionada.

Este tipo de estructura permite representar múltiples conexiones dirigidas entre pares de nodos, lo que resulta útil para modelar redes viales, donde pueden existir varios caminos posibles entre dos ubicaciones, como calles de doble sentido o carriles separados.

len(graph.nodes)

113

Además, el grafo contiene 305 aristas, que representan las calles que conectan las intersecciones (nodos). Cada arista puede incluir información adicional como la longitud del tramo, el tipo de vía, o la velocidad permitida, lo que permite realizar análisis más detallados sobre la estructura y funcionalidad de la red vial.

len(graph.edges)

305

Cada uno de estos elementos puede ser consultado individualmente para obtener información adicional, como la ubicación geográfica y el identificador (ID) de un nodo. Esta capacidad de acceder a los atributos de nodos y aristas permite realizar análisis espaciales detallados y personalizar la representación de la red según distintas variables de interés.

graph.nodes[1520546819]

{'y': 35.6711267, 'x': 139.6925951, 'street_count': 4}

También es posible consultar las características de una arista, como su longitud, el tipo de vía, la velocidad permitida, el número de carriles, entre otros atributos. Esta información resulta clave para realizar análisis de accesibilidad, optimización de rutas o simulaciones de movilidad dentro de una red vial.

graph.edges[(1520546819, 3010293622, 0)]

{'osmid': 138670840,
 'highway': 'footway',
 'oneway': False,
 'reversed': False,
 'length': 59.113074370021955,
 'geometry': <LINESTRING (140 35.7, 140 35.7, 140 35.7)>}

También podemos explorar cómo se relacionan entre sí los distintos componentes del grafo. Por ejemplo, es posible consultar qué otros nodos están conectados directamente con un nodo específico, como el nodo 1520546819. Esta funcionalidad permite analizar la estructura local de la red, identificar puntos críticos de conexión o estudiar patrones de conectividad dentro del sistema vial.

list(graph.adj[1520546819].keys())

[3010293622, 5764960322, 1913626649, 1520546959]

En resumen, las redes espaciales son relativamente fáciles de representar en Python gracias a bibliotecas como networkx y osmnx. Además, constituyen una de las tres estructuras de datos fundamentales en la ciencia de datos geoespaciales, junto con las tablas geográficas y las superficies espaciales. Cada una de estas estructuras permite abordar diferentes tipos de preguntas y fenómenos en el análisis territorial.