热线电话：13121318867

登录
首页大数据时代【CDA干货】经纬度热力图：从离散坐标到空间密度的可视化方法
【CDA干货】经纬度热力图：从离散坐标到空间密度的可视化方法
2025-12-04
收藏

在城市规划、物流配送、文旅分析等场景中，经纬度热力图是解读空间数据的核心工具——它能将零散的GPS坐标（如外卖订单地址、景区打卡点、车辆定位）转化为色彩渐变的密度分布图，直观呈现“哪里是热点、哪里是冷区”。小到门店选址的客群密度分析，大到城市交通流量的宏观研判，经纬度热力图都能让空间规律从抽象的坐标数字中显现。本文将从核心原理、准备工作、主流生成方法到实战优化，完整拆解经纬度热力图的生成逻辑。

一、核心认知：经纬度热力图的本质是“核密度可视化”

经纬度热力图并非简单的“点的叠加”，而是基于核密度估计（Kernel Density Estimation，KDE） 的空间插值技术。其核心逻辑是：将每个经纬度点视为“能量源”，以该点为中心向周边扩散形成密度值，所有点的密度值叠加后，用颜色深浅（或亮度）表示区域内的点密度——颜色越深，代表该区域经纬度点的分布越密集。

1. 核密度估计的核心公式

设数据集包含n个经纬度点，坐标为 （ 为经度， 为纬度， ），则空间中任意位置 的核密度值 计算公式为：

其中关键参数说明：

  • ：核函数（常用高斯核、矩形核、Epanechnikov核），决定“密度扩散”的形状，高斯核因平滑性好成为热力图首选，公式为 ；

  • ：带宽（Bandwidth），即“扩散半径”—— 越大，热力图越平滑（细节模糊）； 越小，热力图越精细（易出现噪点），是影响热力图效果的核心参数。

2. 经纬度热力图的核心特征

  • 连续型可视化：将离散的坐标点转化为连续的密度面，弥补“点分布稀疏区域”的信息空白；

  • 坐标依赖性：需基于统一的地理坐标系（如WGS84、GCJ02），否则会出现位置偏移；

  • 尺度敏感性：同一批数据，地图缩放级别不同，热力图呈现的热点范围也不同。

二、生成前的核心准备工作

经纬度热力图的生成效果，70%取决于数据预处理和工具选型。在动手生成前，需完成三大核心准备：

1. 数据准备与清洗：确保坐标“有效且统一”

（1）数据格式要求

核心字段需包含：经度（longitude）、纬度（latitude），可选字段（如订单量、人流量）可作为“权重”（加权热力图）。常见数据格式为CSV、Excel、JSON，示例如下：

经度 纬度 订单量 区域
116.404 39.915 120 北京东城区
116.418 39.920 85 北京西城区

（2）关键清洗步骤

  • 坐标校验：剔除超出合理范围的异常值（如经度不在 、纬度不在 的国内坐标）；

  • 去重：删除重复的经纬度点（如同一用户多次定位的重复记录）；

  • 坐标系转换：统一坐标体系——

    • WGS84：GPS原始坐标，国际通用；

    • GCJ02：国测局加密坐标，高德/腾讯地图使用；

    • BD09：百度地图加密坐标；

    若坐标体系不统一，需通过转换公式或API（如高德地图坐标转换接口）校准，避免热力图位置偏移。

2. 工具选型：按场景选对方法

不同场景下的工具选择差异显著，核心工具可分为三类：

工具类型 代表工具 适用场景 核心优势
代码开发类 Python（Folium/Matplotlib） 定制化需求高、需批量生成/自动化 灵活性强、可自定义核函数/带宽
可视化工具类 Tableau/Power BI 非技术人员、快速生成交互式热力图 零代码、操作简单、支持一键导出
地图API类 高德/百度/腾讯地图API 嵌入网页/APP、需在线交互 底图丰富、支持移动端适配

三、主流生成方法：从代码到工具的完整落地

方法1：Python代码生成（最灵活，支持定制）

Python是经纬度热力图的主流开发工具，核心库包括：

  • Folium：生成交互式网页热力图，支持叠加高德/百度底图；

  • Matplotlib/Seaborn：生成静态热力图，适合报告/论文；

  • Geopandas：处理地理空间数据，适配复杂边界的热力图。

实战：用Folium生成交互式经纬度热力图

步骤1：环境安装

pip install folium pandas numpy

步骤2：核心代码（以北京外卖订单数据为例）

import folium
from folium.plugins import HeatMap
import pandas as pd

# 1. 读取经纬度数据（CSV格式）
df = pd.read_csv("beijing_order.csv")
# 数据清洗：剔除异常坐标
df = df[(df['经度'] >= 116) & (df['经度'] <= 117) & (df['纬度'] >= 39.5) & (df['纬度'] <= 40.5)]
# 提取经纬度+权重（订单量），格式为[[纬度1, 经度1, 权重1], [纬度2, 经度2, 权重2]]
heat_data = [[row['纬度'], row['经度'], row['订单量']] for index, row in df.iterrows()]

# 2. 初始化地图（中心点为北京天安门，缩放级别12）
m = folium.Map(location=[39.9042, 116.4074], zoom_start=12, tiles='OpenStreetMap')

# 3. 添加热力图层
HeatMap(
    heat_data,
    min_opacity=0.2,  # 最小透明度
    max_val=df['订单量'].max(),  # 最大权重值
    radius=15,  # 扩散半径（对应核密度带宽h）
    blur=10,    # 模糊程度
    gradient={0.2: 'blue', 0.4: 'green', 0.6: 'yellow', 0.8: 'orange', 1: 'red'}  # 颜色渐变
).add_to(m)

# 4. 保存为HTML文件（可直接在浏览器打开）
m.save("beijing_order_heatmap.html")

代码关键参数解读：

  • radius：对应核密度估计的带宽 ，值越大热点越分散，建议根据数据密度调整（城市级数据取10-20，区县级取5-10）；

  • gradient：颜色映射规则，需遵循“冷色（蓝）→暖色（红）”的视觉习惯，避免颜色跳跃；

  • max_val：权重最大值，决定颜色渐变的基准，若不设置会自动以数据最大值为基准。

方法2：Tableau生成（零代码，快速可视化）

适合非技术人员快速生成热力图，无需编写代码，步骤如下：

步骤1：导入数据

将包含经纬度的CSV/Excel文件导入Tableau，Tableau会自动识别“经度”“纬度”字段为地理角色。

步骤2：配置热力图

  1. 将“经度”拖至“列”，“纬度”拖至“行”，Tableau自动生成地图底图；

  2. 将权重字段（如订单量）拖至“标记”卡的“颜色”和“大小”；

  3. 在“标记”卡中选择“密度图”（即热力图），调整“颜色渐变”“不透明度”；

  4. 右键地图→“地图选项”，可切换底图（如高德地图、卫星图），设置缩放级别。

步骤3：导出与交互

支持导出为PNG/PDF，或发布至Tableau Server实现在线交互，适合业务汇报场景。

方法3：地图API生成（嵌入网页/APP）

若需将热力图嵌入自有网页或APP，可使用高德/百度地图API，以高德地图为例：

步骤1：申请API密钥

登录高德开放平台，创建应用并获取Web端API Key。

步骤2：前端代码实现

<!DOCTYPE html>
<html>
<head>
    <meta charset="utf-8">
    <title>高德地图热力图</title>
    <!-- 引入高德地图JS API -->
    <script type="text/javascript" src="https://webapi.amap.com/maps?v=2.0&key=你的API Key"></script>
    <!-- 引入热力图插件 -->
    <script type="text/javascript" src="https://webapi.amap.com/plugins/AMap.HeatMap.js"></script>
    <style>
        #map {width: 1000px; height: 600px;}
    </style>
</head>
<body>
    <div id="map"></div>
    <script type="text/javascript">
        // 1. 初始化地图
        var map = new AMap.Map('map', {
            center: [116.404, 39.915], // 北京中心点
            zoom: 12
        });
        // 2. 经纬度数据（格式：[经度, 纬度, 权重]）
        var heatData = [
            [116.404, 39.915, 120],
            [116.418, 39.920, 85],
            [116.425, 39.930, 95]
        ];
        // 3. 创建热力图
        var heatmap = new AMap.HeatMap(map, {
            data: heatData,
            radius: 20, // 扩散半径
            opacity: [0.2, 0.8], // 透明度范围
            gradient: { // 颜色渐变
                0.2: 'blue',
                0.4: 'green',
                0.6: 'yellow',
                0.8: 'orange',
                1.0: 'red'
            }
        });
    </script>
</body>
</html>

四、热力图优化技巧：让热点更“易读”

生成基础热力图后，需通过优化提升可读性，核心技巧如下：

1. 带宽（radius）适配：按数据密度调整

  • 样本量小（<1000个点）：减小radius（5-10），避免热点过度扩散；

  • 样本量大（>10000个点）：增大radius（15-25），突出宏观热点；

  • 分层展示：对核心城区和郊区采用不同带宽，避免郊区稀疏点掩盖城区热点。

2. 颜色映射优化：符合视觉认知

  • 避免使用高对比度颜色（如红→绿），防止视觉疲劳；

  • 为色盲人群适配：采用“亮度渐变”而非“色相渐变”，如浅蓝→深蓝；

  • 标注关键阈值：在热力图旁添加色阶标尺，标注“50单/平方公里”“100单/平方公里”等数值，避免仅靠颜色判断。

3. 边界裁剪：聚焦核心区域

  • 用行政边界（如区县轮廓）裁剪热力图，剔除区域外的无效密度值；

  • Python中可通过Geopandas加载SHP边界文件，限制热力图绘制范围：

    import geopandas as gpd
    # 加载北京东城区边界SHP文件
    boundary = gpd.read_file("dongcheng.shp")
    # 仅绘制边界内的热力图
    heatmap = HeatMap(heat_data).add_to(m)
    folium.GeoJson(boundary).add_to(m)

4. 加权优化：体现数据差异

  • 若经纬度点有不同权重（如订单量、人流量），需将权重纳入核密度计算，避免“单点多量”被误判为“多点少量”；

  • Python中Folium的HeatMap已原生支持权重参数，只需在数据中加入第三列即可。

五、实战案例：城市共享单车停放点热力图

案例背景

分析某城市共享单车停放点的密度分布，识别“停车热点”和“停车缺口”，为共享单车投放提供依据。

核心步骤

  1. 数据准备：获取3万条共享单车停放经纬度数据（含停放次数权重）；

  2. 数据清洗：剔除坐标异常值（如郊区无效定位点），统一为GCJ02坐标系；

  3. 生成热力图：用Folium设置radius=10，gradient为蓝→黄→红，叠加城市行政区边界；

  4. 结果解读：

    • 热点区域：地铁口、商圈（颜色红），停放次数超200次/天，需增加投放；

    • 冷区：老旧小区（颜色蓝），停放次数不足50次/天，需减少投放；

  5. 决策落地：基于热力图调整投放策略，热点区域增加20%车辆，冷区减少15%车辆。

六、避坑指南：常见问题与解决方案

1. 热力图位置偏移：坐标系不统一

  • 问题：用WGS84坐标在百度地图生成热力图，位置偏西/偏北；

  • 解决方案：通过API（如高德坐标转换接口）将WGS84转为BD09/GCJ02，转换公式示例：

    # WGS84转GCJ02核心公式（简化版）
    def wgs2gcj(lng, lat):
    # 详细转换系数需参考国测局标准
    delta_lng = 0.0065 + 0.002*lat - 0.001*lng
    delta_lat = 0.006 + 0.001*lng - 0.002*lat
    return lng + delta_lng, lat + delta_lat

2. 热力图噪点多：带宽过小/样本量少

  • 问题：热力图呈现大量孤立红点，无明显连续热点；

  • 解决方案：增大radius值，或对数据进行降采样（如按100米网格聚合经纬度点）。

3. 热点不明显：权重未归一化

  • 问题：部分点权重过大（如某点订单量1000，其余点不足100），导致热力图仅显示该点；

  • 解决方案：对权重进行归一化（如缩放到0-1），公式：

4. 交互性差：未添加辅助功能

  • 问题：热力图无法缩放、无信息弹窗；

  • 解决方案：

    • Python Folium：添加缩放控件、点击弹窗（显示区域名称/密度值）；

    • 地图API：添加比例尺、鹰眼控件，支持鼠标滚轮缩放。

七、总结：从坐标到决策的价值闭环

经纬度热力图的核心价值，不在于“生成一张好看的图”，而在于“将离散的空间数据转化为可落地的决策依据”。无论是Python的定制化开发、Tableau的快速可视化，还是地图API的在线嵌入，选择方法的核心是匹配场景需求——技术人员追求灵活性，业务人员追求效率，产品人员追求交互性。

从核密度估计的公式推导，到实战中的参数调优，经纬度热力图的生成过程是“数据→模型→可视化→决策”的完整闭环。掌握这些方法，能让空间数据从“冰冷的坐标数字”变为“直观的业务洞察”，真正发挥地理数据的价值。

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


CDA数据分析师考试相关入口一览（建议收藏）：

▷ 想报名CDA认证考试，点击>>>   “CDA报名”

▷ 想学习CDA考试教材，点击>>> “CDA教材” 

▷ 想加入CDA考试题库，点击>>> “CDA题库” 

▷ 想了解CDA考试含金量，点击>>> “CDA含金量” 

▷ 想了解CDA院校合作，点击>>> “院校合作” 

▷ 想测试数据分析能力，点击>>> “CDA测评” 

热力图 地图 pandas 字段 异常值 数据格式 数据清洗 数据预处理

数据分析咨询请扫描二维码

若不方便扫码，搜微信号：CDAshujufenxi

上一篇CDA数据分析师：用通用与场景指标，构建业务洞察双引擎
下一篇【CDA干货】回归分析中调整后R方为负？本质、成因与应对策略
数据分析师考试动态
CDA报考指南
数据分析学习
数据分析师资讯
更多

CDA教育闭环

常见问题

关于我们

CDA数据分析师公众号

  • CDA数据分析师公众号

CDA考试中心小程序

  • CDA考试中心服务号

CDA数据分析师App下载

  • CDA数据分析师App下载
Copyright © 2015-2021, www.cda.cn All Rights Reserved. CDA数据分析师(北京国富如荷网络科技有限公司) 版权所有 京ICP备11001960号-9 京公网安备 11010802034615号 经营许可证编号：京B2-20210330
联系电话：13321103290 (微信同号)

OK
客服在线
立即咨询
客服在线
立即咨询