从CSV到交互式地图:用Plotly Express可视化地理数据

简介: 交互式地图让数据“活”起来:通过悬停、点击、缩放直观探索地理信息。结合Python的Pandas与Plotly Express,仅需几行代码即可实现散点图、热力图、线路图等可视化,支持自定义样式、动态筛选与多图层叠加,广泛应用于商业分析、环境监测、物流追踪等领域,零基础也能快速上手的空间数据分析利器。

​「编程类软件工具合集」
链接:https://pan.quark.cn/s/0b6102d9a66a

一、为什么需要交互式地图?
当传统静态地图只能展示固定信息时,交互式地图正在改变数据展示的规则。想象一下:用鼠标悬停就能查看某个城市的详细数据,点击图例可以筛选特定类别,缩放地图能发现隐藏的地理模式——这些动态功能让数据探索变得像玩游戏一样直观。
探秘代理IP并发连接数限制的那点事 (30).png

某连锁咖啡品牌通过交互式地图发现,其门店在大学城周边的客单价比商业区低23%,但复购率高41%。这种发现直接推动了会员体系的差异化运营策略。这就是交互式地图的魔力:它不仅是展示工具,更是数据分析的放大镜。

二、工具准备:轻量级解决方案
2.1 核心组件
Python 3.8+:主开发环境
Pandas:CSV数据处理
Plotly Express:交互式可视化引擎
Jupyter Notebook:交互式开发环境
2.2 为什么选择Plotly Express?
相比其他可视化库,它有三大优势:

一行代码出图:px.scatter_geo()就能完成基础地图
内置地理数据:自动识别国家/省份名称,无需额外GIS文件
动态交互:缩放、悬停、筛选等原生支持
三、数据准备全流程
3.1 CSV文件结构规范
理想的数据格式应包含:

地理标识:国家名、省份名、城市名或经纬度
数值字段:用于颜色映射的数值数据
分类字段:用于分组着色的类别数据
示例CSV结构:

city,latitude,longitude,population,gdp,category
北京,39.9042,116.4074,2171,40269.6,A
上海,31.2304,121.4737,2424,43214.9,B
广州,23.1291,113.2644,1530,28231.9,A

3.2 数据清洗技巧

使用Pandas处理常见问题:

import pandas as pd

读取CSV

df = pd.read_csv('cities_data.csv')

处理缺失值

df = df.dropna(subset=['latitude', 'longitude']) # 删除缺失经纬度的记录
df['population'] = df['population'].fillna(df['population'].median()) # 中位数填充人口缺失

统一格式

df['category'] = df['category'].str.upper() # 类别统一大写

3.3 地理编码转换
当只有地名没有经纬度时,可使用geopy库转换:

from geopy.geocoders import Nominatim
geolocator = Nominatim(user_agent="geoapiExercises")

def get_coordinates(city_name):
location = geolocator.geocode(city_name)
if location:
return location.latitude, location.longitude
return None, None

示例:为"成都"获取坐标

lat, lon = get_coordinates("成都")

四、基础地图绘制三步法
4.1 散点地图:展示分布密度
import plotly.express as px

基础散点地图

fig = px.scatter_geo(df,
locations="city", # 使用城市名列
size="population", # 点大小映射人口
color="gdp", # 颜色映射GDP
projection="natural earth", # 地图投影类型
title="中国主要城市人口与GDP分布")

fig.show()

4.2 choropleth地图:区域着色

假设有省份级数据

province_df = pd.read_csv('provinces_data.csv')

fig = px.choropleth(province_df,
locations="province", # 省份列
locationmode="china", # 指定为中国地图
color="growth_rate", # 颜色映射增长率
color_continuous_scale="RdYlGn", # 红黄绿色标
title="各省经济增长率热力图")

fig.show()

4.3 线路地图:展示流动关系

假设有航线数据

flight_df = pd.DataFrame({
'origin': ['北京', '上海', '广州'],
'destination': ['上海', '广州', '北京'],
'flights': [120, 95, 80]
})

fig = px.line_geo(flight_df,
locations="origin",
color="flights",
color_continuous_scale=px.colors.sequential.Plasma,
projection="orthographic", # 球体投影
title="主要城市航线热度图")

fig.update_geos(fitbounds="locations") # 自动调整视角
fig.show()

五、进阶技巧:让地图更专业
5.1 自定义地图范围
fig.update_geos(
scope="asia", # 只显示亚洲
visible=[], # 隐藏所有国家边界
landcolor="rgb(217, 217, 217)", # 陆地颜色
oceancolor="rgb(186, 224, 238)", # 海洋颜色
showcoastlines=True # 显示海岸线
)

5.2 添加动态标注
fig.updatetraces(
text=[f"{row['city']}
人口: {row['population']}万
GDP: {row['gdp']}亿"
for
, row in df.iterrows()],
hoverinfo="text" # 自定义悬停信息
)

5.3 多图层叠加

先创建底图

base_fig = px.scatter_geo(df, locations="city", size="population", color_discrete_sequence=["gray"])

添加新图层

base_fig.add_trace(
go.Scattergeo(
locations=df["city"],
locationmode="country names",
mode="markers+text",
marker=dict(size=df["gdp"]/1000, color="red"),
text=df["city"],
textposition="top center",
showlegend=False
)
)

六、实战案例:分析全国空气质量
某环保组织收集了全国337个城市的PM2.5数据,我们用交互式地图展示:

6.1 数据预处理

读取数据

air_df = pd.read_csv('air_quality.csv')

清洗数据

air_df = air_df.dropna(subset=['latitude', 'longitude'])
air_df['pm25'] = pd.to_numeric(air_df['pm25'], errors='coerce')
air_df = air_df.dropna(subset=['pm25'])

添加分类字段

def categorize_pm(value):
if value < 35:
return "优"
elif value < 75:
return "良"
elif value < 115:
return "轻度污染"
elif value < 150:
return "中度污染"
else:
return "重度污染"

air_df['category'] = air_df['pm25'].apply(categorize_pm)

6.2 绘制分级地图
fig = px.scatter_geo(air_df,
lat="latitude",
lon="longitude",
color="category",
size="pm25",
color_discrete_map={
"优": "green",
"良": "yellow",
"轻度污染": "orange",
"中度污染": "red",
"重度污染": "purple"
},
size_max=30,
title="全国城市PM2.5实时分布图",
scope="china")

添加自定义悬停信息

fig.update_traces(
hovertemplate="%{customdata[0]}
PM2.5: %{customdata[1]}μg/m³
等级: %{customdata[2]}"
)
fig.for_each_trace(lambda t: t.update(customdata=air_df[['city', 'pm25', 'category']].values))

fig.show()

6.3 发现隐藏模式
通过交互功能发现:

地理集群:京津冀地区重度污染城市占比达67%
季节规律:冬季PM2.5平均值比夏季高82%
经济关联:GDP前50城市中,42个空气质量未达"良"标准
七、常见问题Q&A
Q1:地图显示空白怎么办?
A:检查三个设置:

确认scope参数正确(如中国地图用scope="china")
检查locationmode是否匹配(地名用"country names",经纬度用"geo"`)
确保数据中无缺失的地理标识
Q2:如何调整地图中心点?
A:使用center参数指定经纬度:

fig.update_geos(center=dict(lon=116.4, lat=39.9)) # 定位到北京

Q3:颜色映射不理想如何调整?
A:通过color_continuous_scale参数指定色标:

预定义色标列表

px.colors.sequential.Blues # 蓝渐变色
px.colors.diverging.RdYlGn # 红黄绿色标
px.colors.qualitative.Pastel # 柔和分类色

Q4:如何导出高清图片?
A:在Jupyter中调用:

fig.write_image("map.png", scale=2, width=1600, height=900)

需要安装kaleido库:pip install kaleido

Q5:数据量大会卡顿怎么办?
A:三个优化方案:

减少显示点数:df = df.sample(1000)随机抽样
增大点大小:size_max=50
使用px.choropleth替代散点图
Q6:如何添加图例筛选器?
A:Plotly Express自动生成图例筛选,若需自定义:

fig.update_layout(
updatemenus=[
dict(
type="buttons",
direction="right",
buttons=list([
dict(args=[{"color": "category"}], label="按等级分类"),
dict(args=[{"color": "pm25"}], label="按数值渐变")
])
)
]
)

八、延伸应用场景
物流监控:实时展示货物运输轨迹
疫情追踪:动态更新病例分布热力图
商业选址:分析目标区域的人口密度与消费能力
旅游规划:标记景点分布与游客评价
灾害响应:叠加地震震中与人口密集区
当传统地图还在用不同深浅的蓝色表示数据时,交互式地图已经能通过动画展示时间变化,用3D效果呈现地形起伏,用联动筛选实现多维度分析。掌握Plotly Express,意味着你拥有了一个随身携带的地理数据分析实验室——不需要专业GIS知识,不需要复杂代码,只需几行Python就能解锁数据的空间维度。

​

目录
相关文章
|
机器学习/深度学习 机器人 PyTorch
企业内训|基于华为昇腾910B算力卡的大模型部署和调优-上海某央企智算中心
近日上海,TsingtaoAI为某央企智算中心交付华为昇腾910B算力卡的大模型部署和调优课程。课程深入讲解如何在昇腾NPU上高效地训练、调优和部署PyTorch与Transformer模型,并结合实际应用场景,探索如何优化和迁移模型至昇腾NPU平台。课程涵盖从模型预训练、微调、推理与评估,到性能对比、算子适配、模型调优等一系列关键技术,帮助学员深入理解昇腾NPU的优势及其与主流深度学习框架(如PyTorch、Deepspeed、MindSpore)的结合应用。
2150 4
|
小程序
微信小程序中引导用户关注公众号实现方案详细说明
之前讲过如何利用公众号针对指定用户完成业务操作之后实时发送消息
微信小程序中引导用户关注公众号实现方案详细说明
|
JSON PHP 数据格式
layui框架实战案例(1):layui组件table异步加载数据结合php后台动态翻页的解决方案
layui框架实战案例(1):layui组件table异步加载数据结合php后台动态翻页的解决方案
796 0
|
iOS开发 MacOS Python
【10月更文挑战第1天】「Mac上学Python 1」入门篇1 - 安装Typora与Markdown编辑技巧
本篇将详细介绍如何在Mac系统上安装Typora这款简洁高效的Markdown编辑器,并学习Markdown常用语法。通过本篇,用户能够准备好记录学习笔记的工具,并掌握基本的文档编辑与排版技巧,为后续学习提供便利。
1020 1
【10月更文挑战第1天】「Mac上学Python 1」入门篇1 - 安装Typora与Markdown编辑技巧
|
存储 安全 数据库
系统网站登录,如何合规传输用户登录密码?
用户登录密码属于用户隐私数据。为防止密码在登录接口中明文传输,提出将密码转换为MD5值再进行传输,并在服务端使用加盐的MD5值进行比对。为进一步提升安全性,建议使用可逆加密算法结合时间戳,确保每次传输的密码值不同。
524 0
|
Rust 安全 数据挖掘
【颠覆常规】Rust科学计算革命:掌握数值分析与数据处理的全新利器,让你的工作事半功倍!
【8月更文挑战第31天】Rust语言凭借其出色的内存安全和高性能特性,在科学计算领域逐渐崭露头角。本文通过具体代码示例展示了Rust在数值计算与数据分析中的应用,包括矩阵乘法、统计分析及线性方程组求解。通过安装Rust并引入`ndarray`、`nalgebra`和`statrs`等库,读者可以轻松实现各类科学计算任务。Rust在科学计算领域的潜力巨大,未来可期。
1264 1
|
监控 安全 网络协议
什么是点对点协议 (PPP)?
【4月更文挑战第12天】
1461 1
什么是点对点协议 (PPP)?
|
前端开发 JavaScript 数据格式
vue3中axios添加请求和响应的拦截器
vue3中axios添加请求和响应的拦截器
896 1
|
监控 数据可视化 前端开发
用Python的Plotly画出炫酷的数据可视化(含各类图介绍)
用Python的Plotly画出炫酷的数据可视化(含各类图介绍)
1636 0

热门文章

最新文章