空间数据预处理：数据清洗、坐标转换、拓扑检查

数据进来之后，第一件事不是急着分析，而是先“打扫屋子”。

我做空间图谱这些年，见过太多人拿着脏数据硬跑，结果出图全是漏洞。白白浪费时间。今天这节，咱们把预处理这三大块掰开揉碎讲清楚：数据清洗、坐标转换、拓扑检查。

数据清洗：把脏数据堵在门外

空间数据和普通表格最大的区别在于——它自带几何信息。所以清洗时，既要查属性，也要查几何。

清洗的四个维度

我个人习惯先用一个脚本扫描全库，把问题清单列出来，再挨个修。别上来就动手改，先看看问题分布。

SELECT * FROM buildings
WHERE ST_IsValid(geom) = FALSE;

去过重的坑

我记得有一次处理全国POI数据，发现“北京大学”出现了三次，坐标却差了不到一米。为什么？

三个不同渠道的数据源合并时没有去重。我后来用空间距离加名称相似度做双重过滤，总算清干净。

坐标转换：让数据说同一种语言

空间图谱最怕什么？坐标系不统一。

你想想看，一个图层用WGS84经纬度，另一个图层用北京54投影坐标，叠在一起完全错位。这不是数据错了，是坐标系没对齐。

坐标系的核心概念

做转换时，我建议用EPSG编码。通用编码一查就知道参数，比如WGS84是4326，CGCS2000是4490。

转换的实操路径

用PostGIS做一步到位转换，是我最常用的方式：

-- WGS84 转 CGCS2000 投影带
SELECT ST_Transform(geom, 4490) AS cgcs_geom
FROM raw_points;

转换之前，先查一下源数据的SRID。很多人不设SRID，PostGIS默认是0，转换时直接报错。

拓扑检查：把逻辑漏洞补上

拓扑是什么？说白了就是空间元素之间的逻辑关系。面不能重叠，线不能悬空，点必须落在线上。

我刚开始做拓扑时，总觉得差不多就行。直到有一次做行政区划图，两个相邻地块重叠了几厘米，结果面积统计错了上千亩。从那以后，每批数据必过拓扑检查。

必须盯死的三类拓扑错误

• 面重叠：两个地块的边界互相覆盖。修复需要用ST_Difference()切分。
• 线悬空：道路的端点没有连接任何节点。一般是因为采集漏了一段。
• 点脱离：井盖点不在管道线上。常发生在手动录入时坐标不小心拖错了。

检查面重叠的SQL：

SELECT a.id, b.id
FROM parcels a, parcels b
WHERE a.id < b.id
  AND ST_Overlaps(a.geom, b.geom);

还有一种常见错误是“伪节点”。一条道路被切成了很多小段，中间节点多余但没实际分支。这会影响路径分析。我一般用ST_SimplifyPreserveTopology()来清理。

数据预处理流程总览

下面是本章三个核心步骤的关系图。理解了这个流程，你就知道预处理不是线性的，而是循环迭代——每修复一个问题，可能又需要回到清洗阶段重新检查。

预处理避坑清单

这些年踩过的坑，我整理成了一张清单。你下次做预处理时直接拿过来对照，能省不少时间。

1. 先备份再动手——我见过有人直接在原表上删记录，删完发现删错了。
2. 坐标系先统一起步——不要混合坐标系做空间计算，结果全是错的。
3. 拓扑检查设容差——面重叠里有一种叫“微小压盖”，肉眼看不出来，但统计时会被自动扣减。
4. 日志要完整——每一步清理了多少条记录、修复了多少几何，都要记下来。
5. 数据量一大，先切片——100万行的表跑一次ST_IsValid可能要半小时，先切到小比例尺试试。

嗯，空间数据预处理这块其实挺琐碎的，但绝对值得花时间。数据洗干净了，后面的分析才会靠谱。别想着跳过这步直接出图——你想想看，报告写得再漂亮，底层数据有洞，谁信？