一、为什么选择GeoPandas做地理热力图？

当我们需要展示地理数据的密度分布时（如人口密度、交通事故热点或商业网点集中度），传统图表往往力不从心。GeoPandas作为Python生态中的地理空间数据处理利器，完美结合了Pandas的数据处理能力和地理坐标系统支持，能轻松实现：

1. 直接读取Shapefile/GeoJSON等空间数据格式
2. 内置地理坐标参考系(CRS)转换功能
3. 与Matplotlib无缝集成实现可视化
4. 支持空间连接、叠加分析等高级操作

下面通过一个完整案例，展示如何用800行左右代码实现出版级热力图效果。

二、实战：绘制城市POI密度热力图

2.1 环境准备与数据加载

python
import geopandas as gpd
import matplotlib.pyplot as plt
from matplotlib.colors import LinearSegmentedColormap
import contextily as ctx

加载行政区划数据（示例使用Natural Earth的免费数据）

districts = gpd.readfile('https://naciscdn.org/naturalearth/110m/cultural/ne110madmin0_countries.zip')

2.2 关键数据处理步骤

坐标系统一化处理是热力图准确的前提：python

检查原始CRS

print(districts.crs) # 通常为EPSG:4326 (WGS84)

转换为适合目标区域的投影坐标系（如Web墨卡托）

districts = districts.to_crs(epsg=3857)

核密度估计(KDE) 生成热力值：python
from sklearn.neighbors import KernelDensity
import numpy as np

假设已有POI点数据poi_points

coords = np.vstack([poipoints.geometry.x, poipoints.geometry.y]).T
kde = KernelDensity(bandwidth=1000).fit(coords) # 带宽单位与CRS一致

生成网格数据

xgrid = np.linspace(districts.totalbounds[0], districts.totalbounds[2], 200)
ygrid = np.linspace(districts.totalbounds[1], districts.totalbounds[3], 200)
X, Y = np.meshgrid(xgrid, ygrid)
xy = np.vstack([X.ravel(), Y.ravel()]).T
Z = np.exp(kde.score_samples(xy))

2.3 可视化进阶技巧

自定义色彩映射提升表现力：python

创建红-黄-蓝渐变

cmap = LinearSegmentedColormap.from_list('custom', ['#2b83ba','#abdda4','#ffffbf','#fdae61','#d7191c'])

fig, ax = plt.subplots(figsize=(12, 10))
districts.plot(ax=ax, edgecolor='gray', facecolor='none', linewidth=0.5)
contour = ax.contourf(X, Y, Z.reshape(X.shape), 20, cmap=cmap, alpha=0.7)

添加比例尺和指北针

ax.annotate('N', xy=(0.9, 0.95), xycoords='axes fraction',
fontsize=20, ha='center', va='center')
plt.colorbar(contour, label='POI Density Index')

叠加在线地图底图

ctx.add_basemap(ax, source=ctx.providers.Stamen.TonerLite, alpha=0.5)

三、性能优化与常见问题

3.1 大数据量处理方案

• 使用Dask-GeoPandas进行分块处理
• 降低网格分辨率（但需平衡细节损失）
• 预先聚合点数据到六边形网格（H3/Uber方案）

3.2 典型报错解决方法

• CRS不匹配：确保所有图层统一CRS后再操作
• 内存不足：尝试gpd.GeoDataFrame.iterfeatures()流式处理
• 边缘锯齿：在contourf()中增加levels参数

四、延伸应用场景

1. 城市规划：分析公共服务设施覆盖盲区
2. 商业分析：识别潜在高价值开店位置
3. 公共安全：可视化犯罪事件时空聚集特征
4. 环境监测：展示污染物扩散趋势

通过调整核函数带宽参数，可以灵活控制热力图的敏感度——较小的带宽突出局部热点，较大的带宽展示宏观趋势。建议结合业务需求进行多次测试，最终输出既美观又准确的专业地图。