做数据分析这几年，我发现很多同行最怕的不是写代码，而是画地图。数据明明很准，但做出来的图丑得没法看，汇报时老板直皱眉。这篇文章不整虚的，直接教你用Python搞定漂亮的地理空间可视化，让你从“能跑通”进阶到“能汇报”，解决那些让地图看起来像小学生作业的低级错误。

先说个扎心的事实：90%的人用matplotlib画地图，最后都变成了一团乱麻。为什么？因为地理数据自带坐标系，而普通的折线图根本不懂经纬度。我之前也踩过这个坑，把全国各省的GDP数据直接扔进plt.plot()，结果线条扭曲得像心电图，同事看了都笑我。后来我转战到了专门处理地理信息的库，比如geopandas配合matplotlib或者plotly，世界瞬间清净了。

这里我要强调一个核心概念：GeoDataFrame。别把它想得太复杂，它其实就是DataFrame多了两列，一列叫geometry，专门存点、线、面的坐标信息。当你有了这个结构，你才真正拥有了画地图的入场券。

咱们直接上干货，怎么把枯燥的CSV变成一张专业的热力图或散点图。第一步，加载数据。假设你有一份包含城市经纬度和销售额的数据。别急着画，先检查坐标系。很多免费数据源的坐标系是WGS84，也就是EPSG:4326，这是经纬度。但如果你要计算距离或者面积，必须投影到平面坐标系，比如UTM。这一步不做，地图比例尺就是错的，后期怎么调都别扭。

接下来是绘图环节。我用的是plotly express，因为它交互性好，鼠标悬停能看到具体数值，这在汇报时简直是神器。代码其实很短：

import plotly.express as px

fig = px.scatter_geo(df, lat='latitude', lon='longitude', color='sales', size='sales', projection='natural earth')

fig.show()

注意看projection参数，默认是natural earth，这是一种比较柔和的投影方式，适合全球或大范围展示。如果你只画中国地图，记得把范围限制好，不然边缘会被切掉一大块。这里有个小细节，很多人忽略颜色映射。默认的颜色条有时候对比度太低，看不清差异。建议手动设置colorscale，比如用'YlOrRd'（黄橙红），这种暖色调在地图上非常醒目，而且符合“热度”的心理预期。

再说说填充地图，也就是choropleth。这个比散点图复杂一点，需要把行政区域的边界数据（shp文件）和你的业务数据合并。合并的关键字段是“名称”或者“代码”。这里有个大坑：名称匹配经常失败。比如数据里叫“北京市”，shp文件里叫“北京”，或者有空格、特殊字符。我之前就是因为没清理数据，导致一半的省份显示为“未知”。解决办法是统一清洗名称，或者使用更稳定的行政区划代码进行关联。

还有一个容易被忽视的问题：图例和标注。地图上的点多了，图例会挤在一起。这时候可以用size参数控制点的大小，或者用text参数添加标签。但标签千万别全显示，否则地图会变成“字帖”。只展示Top 10或者关键节点，其余的留给鼠标悬停查看，这样版面才干净。

最后，关于性能。如果你数据量超过十万条，plotly可能会卡。这时候建议用datashader或者先聚合数据。比如按街道级别聚合，而不是按具体门店。这样既能保留地理分布特征，又能大幅提升渲染速度。

总结一下，python geo 绘图的核心不在于代码有多复杂，而在于对地理数据的理解和预处理。别一上来就追求炫酷的效果，先把坐标系搞对，数据关联做准，颜色搭配调好，你的地图就能从“能用”变成“好用”。记住，好的可视化是帮用户看清趋势，而不是炫技。多试几次，你会发现，其实也没那么难。

本文关键词：python geo 绘图