用GeoPandas+Matplotlib绘制带标注点的专业地图：从JSON到出图保姆级教程
用GeoPandas+Matplotlib绘制专业级地图：从数据预处理到可视化进阶
当我们面对地理空间数据时，如何将其转化为直观、美观且信息丰富的专业地图？这不仅是科研工作者的需求，也是商业分析、城市规划等领域从业者的必备技能。本文将带你深入掌握使用Python生态中的GeoPandas和Matplotlib工具链，完成从原始地理数据到出版级地图的全流程实现。
1. 地理空间数据基础与工具准备
地理信息系统（GIS）数据的处理与传统表格数据有着显著差异。GeoPandas作为Python中处理地理空间数据的利器，完美继承了Pandas的数据操作能力，同时整合了Shapely、Fiona等地理计算库的核心功能。
1.1 环境配置与核心库安装
建议使用conda管理地理空间分析环境，能有效解决依赖冲突问题：
conda create -n geo_env python=3.9 conda activate geo_env conda install -c conda-forge geopandas matplotlib descartes关键库及其作用：
| 库名称 | 版本要求 | 主要功能 |
|---|---|---|
| GeoPandas | ≥0.10.0 | 地理空间数据结构与操作 |
| Matplotlib | ≥3.5.0 | 高质量可视化渲染 |
| Shapely | ≥1.8.0 | 几何对象操作 |
| Fiona | ≥1.8.0 | 地理数据文件读写 |
提示：Windows用户建议通过conda-forge渠道安装，可自动解决GDAL等底层依赖的编译问题。
1.2 地理数据格式解析
常见的地理数据存储格式各有特点：
- GeoJSON：基于JSON的开放格式，适合Web应用
- Shapefile：ESRI传统格式，由多个文件组成
- GPKG：SQLite容器格式，支持多种几何类型
import geopandas as gpd # 读取不同格式的地理数据 gdf_geojson = gpd.read_file('data.geojson') gdf_shp = gpd.read_file('shapefile.shp')2. 数据预处理与地理编码
原始地理数据往往需要经过清洗和转换才能用于可视化。这个过程包括坐标系统一、数据过滤和几何对象验证等关键步骤。
2.1 坐标参考系统(CRS)处理
不同数据源的CRS可能不同，必须统一才能正确叠加显示：
# 查看当前CRS print(gdf.crs) # 常用CRS定义 WGS84 = 'EPSG:4326' # 经纬度坐标 WebMercator = 'EPSG:3857' # 网络地图常用投影 # 坐标转换 gdf = gdf.to_crs(WebMercator)2.2 地理编码与点数据生成
将地址信息转换为经纬度坐标是常见需求：
from geopy.geocoders import Nominatim geolocator = Nominatim(user_agent="geo_app") location = geolocator.geocode("埃菲尔铁塔") point_geometry = gpd.points_from_xy( x=[location.longitude], y=[location.latitude], crs=WGS84 )3. 基础地图绘制与样式定制
Matplotlib提供了高度可定制的地图绘制能力，结合GeoPandas可以轻松创建各种专题地图。
3.1 行政区划底图绘制
import matplotlib.pyplot as plt fig, ax = plt.subplots(figsize=(12, 8)) gdf.plot(ax=ax, edgecolor='navy', linewidth=0.5, facecolor='lightblue') ax.set_axis_off() plt.tight_layout()3.2 多图层叠加技巧
专业地图往往需要叠加多个信息图层：
# 创建基础底图 base = gdf_boundary.plot(color='white', edgecolor='black') # 叠加区域填充层 gdf_regions.plot(ax=base, column='population', cmap='OrRd', legend=True) # 叠加点数据层 gdf_points.plot(ax=base, color='red', markersize=50)4. 高级可视化技巧与标注优化
要让地图达到出版级质量，需要掌握一系列高级定制技巧。
4.1 专业配色方案
使用合适的色带对地图可视化至关重要：
- 连续型数据：viridis, plasma, magma
- 分类数据：Set3, Pastel1, tab20
- 发散型数据：RdBu, PiYG, coolwarm
from matplotlib.colors import LinearSegmentedColormap custom_cmap = LinearSegmentedColormap.from_list( 'custom', ['#2b83ba', '#abdda4', '#ffffbf', '#fdae61', '#d7191c'] )4.2 智能标注与避让
解决标注重叠问题的几种策略：
基于规则的位置偏移：
def adjust_text_position(x, y, text): # 根据文本长度动态调整位置 offset = 0.01 * len(text) return x + offset, y + offset使用专业标注库：
from adjustText import adjust_text texts = [ax.text(x, y, name) for x, y, name in zip(gdf.geometry.x, gdf.geometry.y, gdf.name)] adjust_text(texts)
4.3 地图元素精细化
添加专业地图元素提升可读性：
# 添加比例尺 from mpl_toolkits.axes_grid1.anchored_artists import AnchoredSizeBar scalebar = AnchoredSizeBar(ax.transData, size=100, # 100公里 label='100 km', loc='lower right') ax.add_artist(scalebar) # 添加指北针 from matplotlib.patches import Polygon north_arrow = Polygon([[0.9, 0.9], [0.85, 0.85], [0.95, 0.85]], closed=True, fill=True, color='k') ax.add_patch(north_arrow)5. 实战案例：城市POI分布热力图
结合上述技术，我们实现一个完整的城市兴趣点可视化案例。
5.1 数据准备与清洗
# 读取城市边界 city = gpd.read_file('city_boundary.geojson').to_crs(WebMercator) # 读取POI数据 pois = gpd.read_file('pois.csv', geometry=gpd.points_from_xy(x='lng', y='lat'), crs=WGS84).to_crs(city.crs) # 空间筛选：只保留城市范围内的POI pois = pois[pois.within(city.geometry[0])]5.2 核密度估计热力图
from scipy.stats import gaussian_kde # 准备坐标数据 x = pois.geometry.x y = pois.geometry.y # 计算核密度 kde = gaussian_kde([x, y]) xi, yi = np.mgrid[x.min():x.max():100j, y.min():y.max():100j] zi = kde(np.vstack([xi.flatten(), yi.flatten()])) # 绘制结果 fig, ax = plt.subplots(figsize=(15, 10)) city.plot(ax=ax, color='white', edgecolor='gray') ax.pcolormesh(xi, yi, zi.reshape(xi.shape), shading='auto', cmap='Reds', alpha=0.6)5.3 复合可视化输出
# 创建多图层画布 fig, ax = plt.subplots(figsize=(18, 12)) # 底图层 city.plot(ax=ax, color='#f0f0f0', edgecolor='#999999') # 热力图层 heatmap = ax.pcolormesh(xi, yi, zi.reshape(xi.shape), shading='auto', cmap='YlOrRd', alpha=0.5) # 点图层 top_pois = pois.nlargest(50, 'importance') top_pois.plot(ax=ax, color='blue', markersize=50, alpha=0.7) # 标注层 for idx, row in top_pois.iterrows(): ax.text(row.geometry.x + 200, row.geometry.y, row['name'], fontsize=9, bbox=dict(facecolor='white', alpha=0.7, edgecolor='none')) # 添加图例和比例尺 plt.colorbar(heatmap, label='POI Density') ax.set_title('City POI Distribution Heatmap', fontsize=16) ax.set_axis_off()6. 输出优化与格式选择
不同的使用场景需要不同的输出配置：
| 输出格式 | 适用场景 | DPI建议 | 文件大小 |
|---|---|---|---|
| PNG | 网页展示 | 72-150 | 中等 |
| 印刷出版 | 300+ | 较大 | |
| SVG | 矢量编辑 | 无限 | 较小 |
| JPG | 快速预览 | 72 | 较小 |
# 高质量输出设置 plt.savefig('output.pdf', dpi=300, bbox_inches='tight', pad_inches=0.1, metadata={'Creator': 'GeoVis Tool'})在实际项目中，我发现将复杂地图分图层保存为PDF后，在Illustrator中进行最终排版调整能获得最佳印刷效果。特别是当需要添加自定义图例或复杂标注时，这种后期处理流程更加灵活高效。