悠悠楠杉
网站页面
用Python处理地理数据？Geopandas库完整操作指南
07/30
一、为什么选择Geopandas？
当我们需要分析城市道路密度、计算商圈辐射范围或绘制疫情热力图时，传统Excel等工具往往力不从心。Python的Geopandas库将pandas的数据处理能力与地理空间计算结合，成为处理.shp/.geojson等地理数据的瑞士军刀。
与ArcGIS等专业软件相比，Geopandas的优势在于：
- 完全免费且开源
- 可无缝对接Python数据科学生态（如Matplotlib、Scikit-learn）
- 支持自动化批量处理
二、环境搭建与数据准备
安装Geopandas
建议通过conda安装以避免依赖冲突：
bash
conda install -c conda-forge geopandas
加载示例数据
Geopandas自带全球国家边界数据集：
python
import geopandas as gpd
world = gpd.read_file(gpd.datasets.get_path('naturalearth_lowres'))
print(world.head(3))
三、核心功能实战
1. 空间数据读写
支持20+种地理文件格式：python
读取Shapefile
districts = gpd.readfile("data/citydistricts.shp")
写入GeoJSON
districts.to_file("output/districts.geojson", driver='GeoJSON')
2. 空间查询与筛选
案例：筛选上海市半径50km内的所有地铁站python
shanghai = districts[districts['name']=='上海'].geometry.iloc[0]
stations = gpd.readfile("data/subwaystations.shp")
缓冲区分析+空间包含判断
nearby_stations = stations[stations.within(shanghai.buffer(0.5))]
3. 空间连接（Spatial Join）
合并房产数据与学区多边形：python
houses = gpd.readfile("data/houses.shp")
schoolzones = gpd.readfile("data/schoolzones.shp")
基于位置关系合并属性
result = gpd.sjoin(houses, school_zones, how="left", op='within')
4. 地理可视化进阶
绘制带分级色彩的热力图：python
import matplotlib.pyplot as plt
fig, ax = plt.subplots(figsize=(12, 8))
world.plot(ax=ax,
column='GDPpercap',
legend=True,
scheme='quantiles',
cmap='OrRd',
edgecolor='black')
plt.title("全球人均GDP分布（五分位图）")
plt.show()
四、性能优化技巧
处理千万级空间数据时，可以：
1. 使用rtree空间索引加速查询
python
import rtree
districts.sindex.query(stations.geometry)
2. 将几何列转换为低精度WKT减少内存占用
python
df['geometry'] = df['geometry'].apply(lambda x: x.wkt)
五、典型应用场景
1. 城市设施可达性分析
通过路网数据计算医院/学校的服务覆盖范围
2. 遥感影像处理
结合rasterio库分析土地利用变化
3. 疫情时空传播模拟
使用空间自相关指标（Moran's I）检测聚集性
六、常见问题解决方案
Q：遇到CRS不一致报错怎么办？python
统一坐标系
data1 = data1.tocrs("EPSG:4326") data2 = data2.tocrs(data1.crs)
Q：如何解决内存不足问题？
- 使用Dask-Geopandas进行分块处理
- 将数据转换为PyGeos加速几何计算
