4. 空间数据可视化基础：地图可视化、空间分布展示

地图可视化，说白了就是把数据“扔”到真实地理坐标上，让空间模式自己说话。我做了这么多年空间分析，真要给非技术同事汇报时，一张清晰的图胜过十页报告。

这一章咱们不扯虚的。从基础底图绘制，到点、线、面分布展示，再到热力图和聚类——全用代码砸实。

4.1 基础地图绘制：从空白到第一张图

我个人的习惯是：先用最简单的库跑通流程，再换专业工具调细节。Python 里做地图可视化的主流库，我列个表给你看。

库名适用场景标注层支持我常用的场景
matplotlib + basemap静态专题图弱论文插图、报告快照
geopandas矢量数据快速可视化中探索性分析、数据检查
folium交互式 web 地图强汇报演示、前端嵌入
plotly + mapbox动态大屏强多维交互图表

入门阶段，我建议你先用 geopandas + matplotlib ，因为库的依赖最少，不容易踩坑。我曾经在项目刚起步时就因为 mapbox token 配置问题卡了半天，教训深刻。

来看个最简单的绘制代码。

import geopandas as gpd
import matplotlib.pyplot as plt

# 读一个 shapefile（市区边界数据）
gdf = gpd.read_file('data/districts.shp')

# 快速绘图
fig, ax = plt.subplots(figsize=(8, 6))
gdf.plot(ax=ax, edgecolor='black', facecolor='lightblue')
ax.set_title('基础地图 - 市区边界')
plt.show()

嗯，这里有两个坑，我一开始全踩过：

  • CRS 不统一 —— 数据用的是 WGS84 经纬度（EPSG:4326），但绘图时默认投影是 PlateCarree，可能导致显示失真。最好显式设置 gdf = gdf.to_crs('EPSG:3857') 转成 Web Mercator。
  • 缺失文件 —— shapefile 要求同目录下必须包含 .shp、.shx、.dbf 三个文件。我曾经只拷贝 .shp 就狂报错，教训啊。

4.2 点分布可视化：散点图、气泡图与聚合点

点数据是最常见的空间数据形式。门店位置、事故点位、采样站——你想想，这些在图上展示时，重叠点是最讨厌的。几十万个经纬度堆在一起，啥也看不出来。

我常用的三种做法：

  1. 透明散点图（alpha 调小，适合几千个点）
  2. 气泡图（点的大小映射数量或属性）
  3. 聚合点（网格聚合后显示计数）

经验：当点数量超过 10 万，直接绘制散点图浏览器会卡死。我一般先做六边形网格聚合再绘图，速度快 10 倍。

代码示例：

import geopandas as gpd
import matplotlib.pyplot as plt
from shapely.geometry import Point

# 生成随机点
points = gpd.GeoDataFrame(
    {'value': [20, 35, 50, 15, 10]},
    geometry=[Point(116.3, 39.9), Point(116.4, 39.8),
              Point(116.5, 40.0), Point(116.2, 39.7),
              Point(116.6, 39.6)],
    crs='EPSG:4326'
)

# 气泡图：点大小由 value 决定
fig, ax = plt.subplots(figsize=(6,6))
points.plot(ax=ax, markersize=points['value']*2, alpha=0.7, color='#e74c3c')
ax.set_title('气泡图 - 点大小映射数值')
plt.show()

4.3 线数据可视化：路径、网络与流向

线数据比如道路、河流、快递路线。我印象最深的一个项目是分析城市外卖配送路径，线太多太密，根本看不清主干。后来我学会了线宽分级——按流量或等级设置不同线宽，层次立马出来了。

绘制时注意：

  • 线默认是实线，如果线很密，用虚线或降低透明度更好。
  • 有向线（比如交通流量方向）一定要加箭头，我用 matplotlib.patches.FancyArrowPatch 手动添加。

代码示例：

import geopandas as gpd
import matplotlib.pyplot as plt

# 假设已经有线 GeoDataFrame
lines = gpd.read_file('data/roads.shp')

fig, ax = plt.subplots(figsize=(8,6))
lines.plot(ax=ax, column='speed_class', cmap='RdYlGn',
           linewidth=1.5, legend=True, edgecolor='black')
ax.set_title('道路网 - 按速度分级着色')
plt.show()

4.4 面数据可视化：颜色地图与分区统计图

面数据是行政边界、土地利用单元。最经典的就是分区统计图了。你想想看，一堆面数据给 non‑technical 的 boss 看，你只用两个参数：column 和 cmap，一张图就能说出重点区域。

我会特别留意分类方法：

方法适用缺点
等间隔数值范围明确极端值可能导致多数区域一个色
分位数分布不均匀色块间差异可能不明显
自然间断点（Jenks）寻找天然分组计算量稍大

小技巧：用 mapclassify.NaturalBreaks 可以自动算出 Jenks 断点，省去手动试的麻烦。

代码示例：

import geopandas as gpd
import matplotlib.pyplot as plt
import mapclassify

gdf = gpd.read_file('data/districts.shp')
# 使用自然间断点分类
classifier = mapclassify.NaturalBreaks(gdf['population'], k=5)
gdf['pop_class'] = classifier.yb

fig, ax = plt.subplots(figsize=(8,6))
gdf.plot(ax=ax, column='pop_class', cmap='Blues',
         edgecolor='white', linewidth=0.5, legend=True)
ax.set_title('人口密度分区 - 自然间断点')
plt.show()

4.5 空间分布密度估计：热力图

热力图，我愿称之为「空间可视化的核武器」。不管是犯罪率还是房价，一张热力图可以让分布模式一目了然。背后算法是 Kernel Density Estimation (KDE)，说白了就是用平滑曲线估计密度。

用 geopandas 做热力图有现成方法：

import geopandas as gpd
import matplotlib.pyplot as plt

points = gpd.read_file('data/crime_points.shp')
fig, ax = plt.subplots(figsize=(8,6))
points.plot(ax=ax, kind='kde', cmap='hot', alpha=0.7, shade=True)
ax.set_title('犯罪事件热力图 - KDE')
plt.show()

注意：KDE 的带宽（bw_method）很敏感，太小会过拟合，太大就模糊成一片。我一般先试试 Scott 规则，再手动微调。

4.6 空间聚类可视化：把分组画到图上

空间聚类的结果（比如 DBSCAN、K‑Means 的标签）直接涂到地图上，就能看清聚类形状。我做过一个商场选址项目，用 DBSCAN 把消费热点聚出来，再把不同簇用不同颜色标在地图上，客户当场拍板。

import geopandas as gpd
from sklearn.cluster import DBSCAN
import matplotlib.pyplot as plt

points = gpd.read_file('data/shops.shp')
# 将经纬度转为数组
coords = points[['geometry']].apply(lambda g: [g.x, g.y], axis=1).tolist()

clustering = DBSCAN(eps=0.01, min_samples=3).fit(coords)
points['cluster'] = clustering.labels_

fig, ax = plt.subplots(figsize=(8,6))
points.plot(ax=ax, column='cluster', cmap='Set1',
            markersize=10, edgecolor='black', legend=True)
ax.set_title('DBSCAN 聚类结果可视化')
plt.show()

避坑指南：我曾经在投影坐标下直接用经纬度算欧氏距离，结果导致聚类完全走偏。一定要记得把经纬度转成平面坐标（如 EPSG:3857 或 UTM 投影）再送入聚类算法。

4.7 知识体系总览

下面这张图把本章的知识脉络串起来了。从底图绘制开始，到点线面展示，再到密度估计和聚类——你跟着这条线走就不会乱。

空间数据可视化知识体系（第4章） 基础地图绘制 点分布（散点/气泡） 线分布（路网/流向） 面分布（分区统计） 密度估计（热力图） 空间聚类可视化 路径：底图 → 点/线/面 → 热力图 → 聚类 每个环节都需注意投影正确与数据密度

4.8 小总结

地图可视化在空间特征工程里，就像你建房子前的设计图。没有图，你看不到全局，也就没法决定下一步特征怎么做。我个人习惯：每个空间数据集到手，一定先花 10 分钟做三张图——点分布散点图、热力图、面颜色的分区图。看完这三张图，数据质量、分布规律、异常区域基本上就心里有数了。

嗯，这里有个细节你记住：配色别用彩虹色，那玩意儿在灰度打印时根本分不清。我一般用 ColorBrewer 的调色板（plt.cm.Set2 或 plt.cm.Blues），既专业又清晰。

好了，地图可视化入门就到这里。代码凑齐后，下个小节我们会开始做真正的空间特征工程——从点数据里提取邻域特征、缓冲区特征等。但那是后面的事了。你先把这些可视化功夫练扎实，后面做特征提取才不会被数据挡路。

← 上一章 📖 返回目录 下一章 →