用GeoPandas+geoplot画张世界地图吧：从安装到可视化的完整实战

用GeoPandas+geoplot绘制世界地图：从零到可视化的艺术之旅

你是否曾被那些色彩斑斓、信息丰富的地图可视化作品所吸引？作为Python爱好者，我们完全可以用几行代码就创造出专业级的地理空间可视化效果。本文将带你从零开始，用GeoPandas和geoplot这两个强大的Python库，完成一个完整的世界地图绘制项目。

1. 环境搭建：构建地理空间分析的Python工具箱

在开始绘制地图之前，我们需要搭建一个稳定的Python地理空间分析环境。不同于传统的"先安装再学习"模式，我们将采用项目驱动的方式，在解决实际问题的过程中自然掌握工具链的配置。

1.1 创建专用虚拟环境

为避免与其他项目产生依赖冲突，建议首先创建一个独立的虚拟环境：

conda create -n geo_env python=3.9 conda activate geo_env

1.2 一键式安装核心组件

GeoPandas的安装曾因依赖复杂而令人头疼，但现在通过conda-forge可以轻松解决：

conda install -c conda-forge geopandas geoplot matplotlib

提示：如果网络连接不稳定，可以尝试添加国内镜像源加速下载：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/

1.3 验证安装结果

让我们用最简单的代码测试环境是否配置成功：

import geopandas as gpd print(gpd.__version__)

如果能够正常输出版本号（如0.12.2），说明基础环境已就绪。

2. 数据获取：探索Natural Earth数据集

优质的地理可视化离不开高质量的数据源。Natural Earth是由北美制图信息协会维护的公共领域地图数据集，提供了多种精度的全球地理信息。

2.1 内置数据集的使用

GeoPandas内置了Natural Earth的简化版数据集，非常适合快速原型开发：

world = gpd.read_file(gpd.datasets.get_path('naturalearth_lowres')) print(world.head())

输出结果将显示包含国家边界、人口、GDP等信息的GeoDataFrame：

2.2 高级数据源的扩展

对于需要更高精度的场景，可以直接从Natural Earth官网下载shapefile：

# 下载1:110m精度的文化矢量数据 countries = gpd.read_file("https://naturalearth.s3.amazonaws.com/110m_cultural/ne_110m_admin_0_countries.zip")

3. 基础可视化：用GeoPandas.plot()绘制第一张地图

现在，让我们从最简单的可视化开始，逐步构建专业级的地图作品。

3.1 基本世界地图绘制

GeoPandas内置的.plot()方法提供了快速可视化的能力：

import matplotlib.pyplot as plt fig, ax = plt.subplots(figsize=(15, 10)) world.plot(ax=ax, color="lightblue", edgecolor="white") plt.title("Basic World Map") plt.show()

这段代码将生成一张浅蓝色填充、白色边界的全球政区图。

3.2 基于属性的分级填色

地图的魅力在于它能直观展示数据的空间分布。让我们用各国GDP数据创建分级统计图：

fig, ax = plt.subplots(figsize=(15, 10)) world.plot(column="gdp_md_est", ax=ax, legend=True, legend_kwds={'label': "GDP (百万美元)"}, cmap="OrRd", scheme="quantiles") plt.title("World GDP Distribution") plt.show()

关键参数说明：

• column: 指定用于着色的数据列
• cmap: 颜色映射方案（此处使用橙红色渐变）
• scheme: 数据分类方法（quantiles表示按分位数分组）

4. 进阶可视化：用geoplot打造专业级地图

geoplot库在GeoPandas基础上提供了更多高级可视化类型，让地图更具表现力。

4.1 核密度图：展示点数据分布

假设我们有一组全球城市人口数据，可以用核密度图展示人口密集区域：

import geoplot as gplt cities = gpd.read_file(gpd.datasets.get_path('naturalearth_cities')) ax = gplt.kdeplot(cities, cmap="Reds", shade=True, figsize=(15, 10)) gplt.polyplot(world, ax=ax, facecolor="lightblue", edgecolor="white") plt.title("World Population Density Hotspots") plt.show()

4.2 网络图：展示地理连接关系

用桑基图展示主要城市间的假设"连接强度"：

import numpy as np # 生成模拟连接数据 np.random.seed(42) connections = [] for _ in range(50): src, dst = np.random.choice(cities.index, 2, replace=False) connections.append([cities.iloc[src].geometry.x, cities.iloc[src].geometry.y, cities.iloc[dst].geometry.x, cities.iloc[dst].geometry.y, np.random.randint(1, 10)]) ax = gplt.sankey(world, path=connections, scale="value", figsize=(15, 10)) plt.title("Hypothetical Inter-city Connections") plt.show()

5. 实战案例：创建可交互的疫情传播地图

结合真实场景，让我们用这些工具创建一个展示疾病传播趋势的交互式地图。

5.1 准备模拟疫情数据

# 为每个国家生成模拟感染数据 world["cases"] = np.random.randint(0, 100000, len(world)) world["deaths"] = (world["cases"] * np.random.uniform(0.01, 0.1)).astype(int) # 计算每百万人口指标 world["cases_per_million"] = world["cases"] / (world["pop_est"] / 1e6) world["deaths_per_million"] = world["deaths"] / (world["pop_est"] / 1e6)

5.2 使用Plotly创建交互式可视化

import plotly.express as px fig = px.choropleth(world, locations="iso_a3", color="cases_per_million", hover_name="name", hover_data=["cases", "deaths"], color_continuous_scale="OrRd", title="Simulated Pandemic Spread") fig.show()

这段代码将生成一个可缩放、悬停查看详情的热度地图，非常适合展示疫情的空间分布模式。

6. 地图美化的专业技巧

一张出色的地图不仅需要准确的数据，还需要精心的视觉设计。

6.1 颜色方案选择原则

• 分类数据：使用定性色板（如Set3、Paired）
• 顺序数据：使用单色渐变（如Blues、Greens）
• 发散数据：使用双色渐变（如RdBu、PuOr）

# 使用发散色板展示GDP偏离平均值的程度 world["gdp_deviation"] = world["gdp_md_est"] / world["gdp_md_est"].mean() fig, ax = plt.subplots(figsize=(15, 10)) world.plot(column="gdp_deviation", ax=ax, legend=True, cmap="RdBu", scheme="quantiles", legend_kwds={'label': "GDP Deviation from Mean"}) plt.title("World GDP Deviation Map") plt.show()

6.2 添加地图元素提升可读性

import cartopy.crs as ccrs fig = plt.figure(figsize=(15, 10)) ax = fig.add_subplot(1, 1, 1, projection=ccrs.PlateCarree()) # 绘制地图 world.plot(ax=ax, column="pop_est", cmap="viridis", legend=True) # 添加地图元素 ax.coastlines() ax.gridlines(draw_labels=True) ax.set_title("World Population Distribution") # 添加比例尺和指北针 from mpl_toolkits.axes_grid1.anchored_artists import AnchoredSizeBar scalebar = AnchoredSizeBar(ax.transData, 10000000, '10000 km', loc='lower left') ax.add_artist(scalebar)

7. 性能优化：处理大规模地理数据集

当处理高精度地理数据时，性能往往成为瓶颈。以下是几个实用优化技巧：

7.1 数据简化技术

# 使用Douglas-Peucker算法简化几何图形 world["simplified_geometry"] = world.simplify(tolerance=0.01) print(f"原始顶点数: {world.geometry[0].exterior.coords[:].shape[0]}") print(f"简化后顶点数: {world.simplified_geometry[0].exterior.coords[:].shape[0]}")

7.2 空间索引加速查询

# 构建空间索引 world.sindex # 快速查询与特定区域相交的国家 from shapely.geometry import Point berlin = Point(13.404954, 52.520008) possible_matches_index = list(world.sindex.intersection(berlin.bounds)) possible_matches = world.iloc[possible_matches_index] precise_matches = possible_matches[possible_matches.intersects(berlin)]

在实际项目中，我发现合理设置matplotlib的dpi参数可以显著提升渲染速度而不明显损失质量。对于静态地图，150-200dpi通常足够；而需要高精度打印时，300dpi更为合适。