Power BI 热力地图制作指南：从数据准备到实战分析

在数据可视化领域，热力地图凭借 “直观呈现数据密度与分布趋势” 的核心优势，成为业务分析中不可或缺的工具。尤其在区域数据对比（如门店销售、用户分布）、异常值定位（如高风险区域、低效片区）场景中，热力地图能将枯燥的数字转化为 “颜色梯度”，让决策者一眼洞察关键信息。Power BI 作为主流商业智能工具，内置的热力地图功能无需复杂代码，即可实现从数据到可视化的快速落地。本文将系统拆解 Power BI 热力地图的制作全流程，涵盖数据准备、基础操作、进阶优化与行业实战，助力你高效完成区域数据可视化分析。

一、热力地图的核心价值与典型应用场景

在学习制作前，先明确热力地图的 “不可替代性”—— 它通过颜色深浅 / 饱和度对应数据数值大小（如红色代表高值、蓝色代表低值），能直观展示 “空间维度下的数据分布规律”，弥补表格数据 “难感知趋势” 的短板。其典型应用场景包括：

例如：某连锁超市通过 Power BI 制作全国门店热力地图后，发现华东地区红色高值区域集中（销售额超 500 万 / 月），而西南部分城市呈浅蓝色（不足 100 万 / 月），进而针对性在西南加开促销活动，3 个月后该区域销售额提升 40%—— 这正是热力地图 “驱动决策” 的核心价值。

二、制作前的核心准备：数据源与数据清洗

Power BI 热力地图对数据源的 “格式规范性” 要求较高，错误的数据格式会导致地图显示异常（如空白、错位）。需重点关注以下两步准备工作：

2.1 数据源的核心要求

热力地图本质是 “地理信息 + 数值数据” 的结合，数据源需包含两类关键字段，具体格式如下：

示例数据源结构（零售门店销售数据）：

2.2 关键数据清洗步骤

原始数据常存在 “格式错误”“缺失值” 等问题，需在 Power BI 中完成清洗，避免影响地图生成：

1. 处理缺失值：

   若 “地理字段”（如纬度）缺失，选中字段→右键→“替换值”，用 “无数据” 标记（或删除该行，避免地图显示空白）；若 “数值字段” 缺失，可用 “平均值” 填充（DAX 公式：填充销售额=IF(ISBLANK('销售数据'[月销售额]),AVERAGE('销售数据'[月销售额]),'销售数据'[月销售额])）。

2. 统一地理格式：

   若地区名不标准（如 “广东”“广州市”），通过 “编辑查询”→“替换值”，将 “广东” 改为 “广东省”，“广州市” 补充为 “广东省 - 广州市”（确保与 Power BI 地理编码匹配）；若经纬度格式为文本（如 “39.929,116.486”），用 “拆分列” 按 “逗号” 分割为 “纬度”“经度” 两个数值字段。

3. 数据聚合（可选）：

   若数据粒度过细（如按 “门店” 统计），可通过 DAX 创建聚合字段，如 “各城市平均销售额”（公式：城市平均销售额=AVERAGE('销售数据'[月销售额])），让热力地图按 “城市” 层级显示，避免信息过载。

三、Power BI 热力地图基础制作步骤（含详细操作）

完成数据准备后，即可通过 4 步快速制作基础热力地图，以下操作基于 Power BI Desktop（2024 版）演示：

3.1 导入数据并加载模型

1. 打开 Power BI Desktop，点击左侧 “获取数据”→选择数据来源（如 Excel、CSV、数据库）；

2. 选中清洗后的数据源（如 “零售门店销售数据.xlsx”），点击 “加载”，等待数据加载至 “数据模型”（右侧 “字段” 面板会显示所有字段）。

3.2 插入热力地图视觉对象

1. 在右侧 “视觉对象” 面板中，找到 “热力地图” 图标（图标为 “彩色渐变的地图轮廓”，位于 “地图” 分类下），点击添加；

2. 此时画布会显示空白地图，需通过 “字段配置” 填充数据。

3.3 核心字段配置（关键步骤）

根据地理信息类型（经纬度 / 地区名），选择对应配置方式，确保地图正确定位：

方式 1：用 “经纬度” 定位（精度最高，推荐）

1. 在右侧 “字段” 面板中，将 “纬度” 字段拖拽至热力地图的 “纬度” 区域（下方 “视觉对象” 配置栏→“位置”→“纬度”）；

2. 将 “经度” 字段拖拽至 “经度” 区域；

3. 将数值字段（如 “月销售额”）拖拽至 “值” 区域 —— 此时地图会自动显示热力分布：销售额越高的门店，颜色越深（默认红色为高值、蓝色为低值）。

方式 2：用 “地区名” 定位（无需经纬度，适合快速制作）

1. 将 “省份” 字段拖拽至 “位置” 区域，Power BI 会自动识别为 “国家 / 地区 - 省 / 市 / 自治区” 层级；

2. （可选）若需更细粒度（如城市），将 “城市” 字段拖拽至 “位置” 区域（位于 “省份” 下方，形成 “省份→城市” 层级）；

3. 将 “月销售额” 拖拽至 “值” 区域，地图会按 “省份 / 城市” 显示热力（如广东省整体呈深红色，代表高销售额）。

3.4 基础美化与信息补充

为让热力地图更易读，需进行简单美化：

1. 调整颜色梯度：

   点击右侧 “格式” 面板（油漆桶图标）→“数据颜色”→“颜色饱和度”，可自定义高值 / 低值颜色（如将高值改为 “#E74C3C”（红色），低值改为 “#3498DB”（蓝色）），并勾选 “显示图例”（让读者理解颜色含义）。

2. 添加数据标签：

   若需显示具体数值，点击 “格式”→“数据标签”→开启 “数据标签”，并设置字体大小（如 10 号字）、颜色（黑色），避免与热力颜色重叠。

3. 修改地图标题：

   双击画布上的 “热力地图标题”，改为业务化名称（如 “2024 年 Q2 全国门店销售额热力地图”），设置字体大小（14 号字）、加粗。

四、进阶优化：让热力地图更具分析价值

基础热力地图仅能展示 “分布”，通过以下优化技巧，可提升交互性与分析深度，满足复杂业务需求：

4.1 自定义地理层级与下钻分析

当数据包含 “国家→省份→城市→门店” 多层级时，可设置 “下钻” 功能，实现从宏观到微观的分析：

1. 在 “位置” 字段区域，按 “国家→省份→城市→门店 ID” 的顺序拖拽字段（形成层级关系）；

2. 点击热力地图右上角的 “下钻” 按钮（图标为 “↓”），可从 “全国” 下钻至 “省份”，再下钻至 “城市”，观察不同层级的销售分布（如全国看华东高值，下钻后发现上海黄浦区是核心）。

4.2 联动切片器，实现动态分析

通过切片器筛选不同维度（如时间、门店类型），观察热力地图变化，挖掘数据规律：

1. 点击 “视觉对象”→“切片器”，添加 “日期” 切片器（拖拽 “月份” 字段至切片器）；

2. 选择切片器中的 “2024 年 3 月”，热力地图会自动更新为 3 月的销售额分布；再切换为 “4 月”，对比两个月的区域销售变化（如发现 4 月西南地区热力加深，可能是促销活动见效）。

4.3 性能优化（大数据量场景）

当数据量超 10 万条时，热力地图可能卡顿，需通过以下方式优化：

1. 数据聚合：用 DAX 创建 “按城市聚合” 的计算表（公式：城市聚合表=SUMMARIZE('销售数据','销售数据'[省份],'销售数据'[城市],"总销售额",SUM('销售数据'[月销售额]))），基于聚合表制作地图，减少数据量；

2. 关闭不必要的交互：在 “格式”→“交互” 中，关闭 “数据提示”（鼠标悬停显示详情）以外的功能（如 “高亮”）；

3. 调整地图分辨率：在 “格式”→“地图设置” 中，将 “分辨率” 改为 “低”（适合快速预览）或 “中”（平衡精度与速度）。

五、行业实战案例：零售门店销售额热力地图分析

以 “某连锁超市 2024 年 Q2 门店销售数据” 为例，完整演示从制作到分析的全流程：

5.1 案例数据准备

数据源包含：门店 ID、省份、城市、纬度、经度、月销售额、门店面积、门店类型（社区店 / 商圈店），共 120 条记录。

5.2 制作步骤（关键环节）

1. 导入数据后，用 DAX 创建 “门店类型销售额” 字段：社区店销售额=IF('销售数据'[门店类型]="社区店",'销售数据'[月销售额],0)；

2. 插入热力地图，用 “经纬度” 定位，“社区店销售额” 作为 “值”；

3. 添加 “门店类型” 切片器（筛选 “社区店”“商圈店”）和 “月份” 切片器。

5.3 分析结论（从热力地图中洞察）

1. 区域差异：华东、华南地区社区店热力显著高于华北（如上海、深圳社区店月销售额超 60 万，北京社区店平均仅 40 万），需分析华北社区店的选址或商品结构问题；

2. 类型对比：切换切片器至 “商圈店”，发现商圈店高值集中在省会城市核心商圈（如广州天河城、成都春熙路），而社区店高值集中在居民区密集区域 —— 可指导后续门店类型布局（居民区开社区店，核心商圈开商圈店）；

3. 异常值定位：某门店（位于杭州西湖区）经纬度正确，但热力颜色异常（蓝色低值），查看数据发现其 “月销售额仅 15 万”，进一步分析得知该门店刚开业 1 个月，属于正常现象，无需调整。

六、常见问题与解决方案（避坑指南）

制作热力地图时，常遇到 “地图显示异常”“数据不匹配” 等问题，以下是高频问题的解决方法：

七、总结与未来展望

Power BI 热力地图的核心价值，在于 “将空间数据转化为直观决策依据”—— 无需复杂代码，只需规范数据、合理配置字段，即可快速落地。无论是零售、互联网还是政务领域，掌握热力地图制作，能让你在区域数据分析中更高效、更精准。

未来，随着 Power BI 功能升级，热力地图将进一步融合 AI 能力（如基于历史热力预测未来区域趋势）、3D 可视化（如楼层内的热力分布），为业务分析提供更深度的支持。建议在实践中多尝试 “不同字段组合”（如用 “销售额 / 门店面积” 计算 “坪效” 作为热力值）、“多视觉对象联动”（热力地图 + 表格 + 折线图），让数据可视化从 “展示” 走向 “驱动决策”。

最后，记住：好的热力地图不仅要 “好看”，更要 “有用”—— 始终围绕业务目标（如提升销售额、优化资源）设计，才能让可视化真正发挥价值。

学习入口：https://edu.cda.cn/goods/show/3814?targetId=6587&preview=0

推荐学习书籍 《CDA一级教材》适合CDA一级考生备考，也适合业务及数据分析岗位的从业者提升自我。完整电子版已上线CDA网校，累计已有10万+在读~ !

免费加入阅读：https://edu.cda.cn/goods/show/3151?targetId=5147&preview=0