Python 如何画出漂亮的地图？
用 Python 绘制令人惊艳的地图：从基础到进阶的探索之旅
想象一下，你不再需要依赖那些千篇一律的在线地图服务，而是能够用代码亲手描绘出属于你自己的、充满个性的地图。无论是展示全球的经济发展趋势，追踪某个事件的传播路径，还是可视化你的一次精彩旅程，Python 都能助你一臂之力，将枯燥的数据转化为引人入胜的视觉故事。
这篇文章，我们将一起踏上一段用 Python 绘制精美地图的探索之旅。我们不会止步于简单的点标记，而是深入到更丰富、更具表现力的方式，让你掌握绘制地图的核心技巧，并能根据自己的需求进行创意发挥。准备好了吗？让我们开始吧！
一、 基础入门：`folium`——交互式地图的得力助手
当我们谈论用 Python 绘制“漂亮”的地图时，通常意味着地图不仅要信息清晰，更要具备一定的视觉吸引力和交互性。而 `folium` 库，正是实现这一目标的不二之选。它基于 Leaflet.js，一个强大的前端地图库，将 Leaflet 的功能通过 Python 接口展现出来，让我们可以轻松地创建交互式的 Web 地图。
1. 安装 `folium`
首先，确保你已经安装了 `folium`。如果你还没有安装，只需在终端或命令提示符中运行：
```bash
pip install folium
```
2. 创建你的第一张地图
一张地图，最基本的就是它的中心位置和缩放级别。`folium.Map()` 函数正是为此而生。
```python
import folium
创建一个以北京为中心的地图，缩放级别为 10
m = folium.Map(location=[39.9042, 116.4074], zoom_start=10)
将地图保存为一个 HTML 文件
m.save("beijing_map.html")
```
运行这段代码，你会在当前目录下找到一个名为 `beijing_map.html` 的文件。用浏览器打开它，你就能看到一张以北京为中心的交互式地图了！你可以自由地缩放、平移，感受 Leaflet.js 带来的流畅体验。
3. 添加标记（Marker）——地图上的“指尖”
地图不仅仅是背景，更重要的是承载信息。在地图上添加标记，是展示特定位置最直接的方式。
```python
import folium
创建地图
m = folium.Map(location=[39.9042, 116.4074], zoom_start=12)
添加一个标记，并设置弹出信息
folium.Marker(
location=[39.9042, 116.4074], 标记的地理坐标
popup='北京故宫
中国最宏伟的古代建筑群之一。', 弹出窗口内容，支持 HTML
icon=folium.Icon(color='red') 设置标记颜色
).add_to(m)
添加另一个标记，使用不同的图标
folium.Marker(
location=[39.9066, 116.3977],
popup='天安门广场',
icon=folium.Icon(icon='star', color='blue') 使用内置的星形图标
).add_to(m)
保存地图
m.save("beijing_markers.html")
```
这里，`folium.Marker()` 函数允许我们指定标记的 `location`、`popup`（弹出信息）和 `icon`（图标）。`popup` 参数非常强大，它支持 HTML 标签，你可以用它来添加标题、链接、甚至图片，让你的标记信息更加丰富。`folium.Icon()` 允许你自定义图标的颜色和形状。
4. 自定义图标和弹出窗口
想要让你的地图更具辨识度？自定义图标和弹出窗口是关键。
```python
import folium
m = folium.Map(location=[30.0566, 31.2357], zoom_start=13) 开罗
使用自定义图标和更复杂的弹出窗口
folium.Marker(
location=[30.0444, 31.2357],
popup='''
了解更多
''',
icon=folium.Icon(
color='green',
icon='infosign', 使用一个更通用的信息图标
prefix='glyphicon' 指定图标来源，这里是 Glyphicon
)
).add_to(m)
m.save("cairo_custom.html")
```
你可以尝试不同的 `color` 和 `icon` 组合，甚至从 Glyphicons、Font Awesome 等资源库中选择你喜欢的图标。
二、 进阶绘制：多样的地图元素和数据可视化
地图的魅力不仅在于点缀，更在于它如何承载和展示数据。`folium` 提供了丰富的功能，让我们能够将数据可视化到地图之上。
1. 绘制图形：CircleMarker 和 PolyLine
除了标记，我们还可以用圆圈和线来表示区域或路径。
```python
import folium
m = folium.Map(location=[40.7128, 74.0060], zoom_start=12) 纽约
绘制一个圆圈标记，代表一个区域
folium.CircleMarker(
location=[40.7580, 73.9855], 时报广场
radius=50, 半径，单位是像素
popup='时报广场',
color='blue', 圆圈边框颜色
fill=True, 是否填充
fill_color='lightblue', 填充颜色
fill_opacity=0.6
).add_to(m)
绘制一条线，代表一个路径
locations = [
[40.7128, 74.0060], 纽约市政厅
[40.7050, 74.0090], 华尔街
[40.7000, 74.0120] 自由女神像码头（概念性）
]
folium.PolyLine(
locations,
color='red',
weight=2.5, 线条宽度
opacity=1,
popup='纽约市中心区域游览路线'
).add_to(m)
m.save("newyork_shapes.html")
```
`folium.CircleMarker()` 可以用来绘制圆形标记，`radius` 参数控制其大小，而 `folium.PolyLine()` 则可以将一系列坐标点连接成线。
2. 热力图（Heatmap）——可视化密度分布
当你有大量密集分布的点数据时，热力图是展示密度分布的绝佳方式。
```python
import folium
from folium.plugins import HeatMap
import random
创建一个以旧金山为中心的地图
m = folium.Map(location=[37.7749, 122.4194], zoom_start=12)
生成一些随机的点数据，模拟某个活动在旧金山的发生地点
data = [
[random.uniform(37.7, 37.8), random.uniform(122.5, 122.4), random.random() 10]
for _ in range(1000)
]
添加热力图层
HeatMap(data).add_to(m)
m.save("sanfrancisco_heatmap.html")
```
`folium.plugins.HeatMap()` 需要一个包含 `[纬度, 经度, 权重]` 的列表作为输入。权重值越大，该区域的热力值就越高，颜色也就越深。
3. 群集标记（MarkerCluster）——化繁为简
当地图上标记过多导致密集拥挤时，标记群集（MarkerCluster）能极大地提升地图的可读性。它会将临近的标记聚集成一个组，并显示组内标记的数量。
```python
import folium
from folium.plugins import MarkerCluster
import random
m = folium.Map(location=[48.8566, 2.3522], zoom_start=11) 巴黎
生成一些随机的巴黎地点数据
paris_locations = [
(48.8584, 2.2945), 埃菲尔铁塔
(48.8606, 2.3376), 卢浮宫
(48.8738, 2.2950), 凯旋门
(48.8867, 2.3432), 蒙马特高地
(48.8462, 2.3950), 凡尔赛宫 (稍远但常被视为巴黎景点)
]
创建一个标记群集对象
marker_cluster = MarkerCluster().add_to(m)
向群集中添加标记
for i, (lat, lon) in enumerate(paris_locations):
folium.Marker(
location=[lat + random.uniform(0.005, 0.005), lon + random.uniform(0.005, 0.005)], 制造一点偏移
popup=f'巴黎景点 {i+1}',
icon=folium.Icon(color='purple')
).add_to(marker_cluster)
m.save("paris_markercluster.html")
```
`folium.plugins.MarkerCluster()` 是一个容器，你只需要将 `folium.Marker()` 添加到这个容器中即可。
三、 锦上添花：地图的风格与主题
一张漂亮的地图，离不开风格的渲染。`folium` 允许你切换不同的地图瓦片（Tiles），为地图赋予不同的视觉风格。
1. 切换地图瓦片
默认情况下，`folium` 使用 OpenStreetMap 的瓦片。你可以通过 `tiles` 参数切换到其他图源，例如 Stamen Terrain、Stamen Toner、CartoDB Positron 等。
```python
import folium
使用 Stamen Terrain 风格的地图
m_terrain = folium.Map(location=[45.8326, 6.8652], zoom_start=10, tiles="Stamen Terrain")
m_terrain.save("alps_terrain.html")
使用 CartoDB Positron 风格的地图 (简洁干净)
m_positron = folium.Map(location=[34.0522, 118.2437], zoom_start=12, tiles="CartoDB positron")
m_positron.save("la_positron.html")
使用 Stamen Toner 风格的地图 (黑白风格，适合数据可视化)
m_toner = folium.Map(location=[51.5074, 0.1278], zoom_start=13, tiles="Stamen Toner")
m_toner.save("london_toner.html")
```
尝试不同的 `tiles` 参数，找到最适合你数据的视觉风格。一些常用的选项包括：
`"OpenStreetMap"` (默认)
`"Stamen Terrain"`
`"Stamen Toner"`
`"Stamen Watercolor"`
`"CartoDB positron"`
`"CartoDB darkmatter"`
2. 添加图层控制器
当你的地图上有多个图层时（例如热力图和标记），图层控制器能让你方便地切换和显示/隐藏图层。
```python
import folium
from folium.plugins import HeatMap, MarkerCluster
m = folium.Map(location=[37.7749, 122.4194], zoom_start=12)
第一个图层：热力图
data_heatmap = [
[random.uniform(37.7, 37.8), random.uniform(122.5, 122.4), random.random() 5]
for _ in range(500)
]
HeatMap(data_heatmap, name='热力图数据').add_to(m)
第二个图层：标记群集
marker_cluster = MarkerCluster(name='标记数据').add_to(m)
for _ in range(100):
folium.Marker(
location=[random.uniform(37.7, 37.8), random.uniform(122.5, 122.4)],
popup='随机点',
icon=folium.Icon(color='orange')
).add_to(marker_cluster)
添加图层控制器
folium.LayerControl().add_to(m)
m.save("sf_layercontrol.html")
```
通过给图层对象（如 `HeatMap` 和 `MarkerCluster`）设置 `name` 参数，然后在地图对象 `m` 上调用 `folium.LayerControl().add_to(m)`，你就可以在地图的右上角看到一个图层控制器了。
四、 深度探索：`geopandas` 与地理空间数据
如果你的数据包含地理形状信息（如多边形、线段），那么 `geopandas` 将是你绘制更复杂、更精确地图的利器。`geopandas` 扩展了 `pandas` 的功能，使其能够处理地理空间数据。
1. 安装 `geopandas`
安装 `geopandas` 可能需要一些额外的依赖，建议使用 conda 来安装以避免冲突：
```bash
conda install geopandas
```
如果你使用 pip，可以尝试：
```bash
pip install geopandas
```
2. 读取地理空间数据
`geopandas` 可以读取多种地理空间数据格式，最常见的是 Shapefile (`.shp`)。
假设你有一个名为 `countries.shp` 的 Shapefile 文件，其中包含世界各国的地理边界信息。
```python
import geopandas as gpd
import folium
读取 Shapefile 文件
world_geo = gpd.read_file(gpd.datasets.get_path('naturalearth_lowres'))
过滤出亚洲国家 (示例)
asia = world_geo[world_geo['continent'] == 'Asia']
创建一个以亚洲中心为地图
m = folium.Map(location=[30, 100], zoom_start=3)
将 GeoDataFrame 的数据添加到 folium 地图
Choropleth 方法用于绘制分级统计地图
folium.Choropleth(
geo_data=asia.to_json(), GeoDataFrame 的 GeoJSON 格式
name='亚洲国家',
data=asia, 包含额外数据的 DataFrame
columns=['iso_a3', 'pop_est'], 关联的列： GeoDataFrame 的标识符和要显示的数据
key_on='feature.id', GeoJSON 中与 `columns` 关联的键
fill_color='YlGnBu', 颜色渐变方案
fill_opacity=0.7,
line_opacity=0.2,
legend_name='亚洲人口估计'
).add_to(m)
folium.LayerControl().add_to(m)
m.save("asia_choropleth.html")
```
这里的关键是 `folium.Choropleth()` 函数。它允许你根据数据为地理区域（多边形）着色，从而创建分级统计地图。你需要提供 GeoJSON 格式的地理数据，以及一个 DataFrame，其中包含与地理数据关联的数值。
3. 结合数据进行可视化
你可以将你自己的数据与地理空间数据合并，然后在地图上进行可视化。例如，你想根据国家的人均 GDP 来着色。
```python
import geopandas as gpd
import pandas as pd
import folium
读取世界各国地理数据
world_geo = gpd.read_file(gpd.datasets.get_path('naturalearth_lowres'))
创建一个示例的 GDP 数据 DataFrame
假设你的 GDP 数据是这样的格式：国家代码 (ISO A3), GDP
gdp_data = {
'iso_a3': ['USA', 'CAN', 'MEX', 'BRA', 'FRA', 'DEU', 'CHN', 'JPN', 'IND', 'AUS'],
'gdp_md_est': [23000, 1700, 1300, 1400, 2900, 4200, 17700, 5000, 3200, 1600]
}
gdp_df = pd.DataFrame(gdp_data)
将 GDP 数据合并到地理数据中
使用 'iso_a3' 列作为合并的键
world_gdp = world_geo.set_index('iso_a3').join(gdp_df.set_index('iso_a3')).reset_index()
移除没有 GDP 数据的行 (例如，如果某些国家数据缺失)
world_gdp = world_gdp.dropna(subset=['gdp_md_est'])
创建地图
m = folium.Map(location=[0, 0], zoom_start=2) 全球地图
绘制分级统计地图
folium.Choropleth(
geo_data=world_gdp.to_json(),
name='世界各国GDP',
data=world_gdp,
columns=['iso_a3', 'gdp_md_est'],
key_on='feature.id',
fill_color='PuBuGn', 不同的颜色方案
fill_opacity=0.7,
line_opacity=0.2,
legend_name='估计GDP (百万美元)'
).add_to(m)
folium.LayerControl().add_to(m)
m.save("world_gdp_choropleth.html")
```
通过 `set_index()` 和 `join()` 方法，你可以方便地将表格数据与地理数据关联起来。然后，`folium.Choropleth()` 就能将这些数据可视化到地图上。
五、 更多创意与可能性
上面介绍的只是 `folium` 和 `geopandas` 功能的冰山一角。还有许多其他强大的插件和技术，可以帮助你绘制出更加令人惊叹的地图：
`folium.plugins.Marker` 的 Popup HTML： 如前所述，你可以使用复杂的 HTML 来丰富标记的弹出信息，包括图表、图片等。
`folium.plugins.TimestampedGeoJson`： 用于创建随时间变化的地图动画，非常适合展示历史事件、数据演变等。
`folium.plugins.HeatMapWithTime`： 类似 `TimestampedGeoJson`，但专门用于创建随时间变化的热力图。
`folium.plugins.GeoJson` 的样式定制： 你可以更精细地控制 GeoJSON 数据的样式，比如为不同类型的地理要素设置不同的颜色和线宽。
结合其他可视化库： 考虑将 `matplotlib` 或 `seaborn` 生成的图表嵌入到 `folium` 的弹出窗口中，实现数据与地图的深度融合。
自定义 JavaScript 代码： 对于非常高级的需求，你可以直接在 `folium` 的 HTML 输出中插入自定义的 JavaScript 代码，利用 Leaflet.js 的全部潜力。
结语
用 Python 绘制漂亮的地图，是一次将数据转化为视觉语言的旅程。从 `folium` 提供的直观易用的接口，到 `geopandas` 赋予的地理空间处理能力，再到各种强大的插件和定制选项，Python 为我们打开了无限的地图绘制可能。
希望这篇文章能够为你提供一个坚实的基础和丰富的灵感。现在，轮到你了！去探索你的数据，发挥你的创意，用代码描绘出属于你自己的、独一无二的地图故事吧！
想象一下，你不再需要依赖那些千篇一律的在线地图服务，而是能够用代码亲手描绘出属于你自己的、充满个性的地图。无论是展示全球的经济发展趋势，追踪某个事件的传播路径，还是可视化你的一次精彩旅程，Python 都能助你一臂之力，将枯燥的数据转化为引人入胜的视觉故事。
这篇文章，我们将一起踏上一段用 Python 绘制精美地图的探索之旅。我们不会止步于简单的点标记，而是深入到更丰富、更具表现力的方式，让你掌握绘制地图的核心技巧，并能根据自己的需求进行创意发挥。准备好了吗？让我们开始吧！
一、 基础入门：`folium`——交互式地图的得力助手
当我们谈论用 Python 绘制“漂亮”的地图时，通常意味着地图不仅要信息清晰，更要具备一定的视觉吸引力和交互性。而 `folium` 库，正是实现这一目标的不二之选。它基于 Leaflet.js，一个强大的前端地图库，将 Leaflet 的功能通过 Python 接口展现出来，让我们可以轻松地创建交互式的 Web 地图。
1. 安装 `folium`
首先，确保你已经安装了 `folium`。如果你还没有安装，只需在终端或命令提示符中运行：
```bash
pip install folium
```
2. 创建你的第一张地图
一张地图，最基本的就是它的中心位置和缩放级别。`folium.Map()` 函数正是为此而生。
```python
import folium
创建一个以北京为中心的地图，缩放级别为 10
m = folium.Map(location=[39.9042, 116.4074], zoom_start=10)
将地图保存为一个 HTML 文件
m.save("beijing_map.html")
```
运行这段代码，你会在当前目录下找到一个名为 `beijing_map.html` 的文件。用浏览器打开它，你就能看到一张以北京为中心的交互式地图了！你可以自由地缩放、平移，感受 Leaflet.js 带来的流畅体验。
3. 添加标记（Marker）——地图上的“指尖”
地图不仅仅是背景，更重要的是承载信息。在地图上添加标记，是展示特定位置最直接的方式。
```python
import folium
创建地图
m = folium.Map(location=[39.9042, 116.4074], zoom_start=12)
添加一个标记，并设置弹出信息
folium.Marker(
location=[39.9042, 116.4074], 标记的地理坐标
popup='北京故宫
中国最宏伟的古代建筑群之一。', 弹出窗口内容，支持 HTML
icon=folium.Icon(color='red') 设置标记颜色
).add_to(m)
添加另一个标记，使用不同的图标
folium.Marker(
location=[39.9066, 116.3977],
popup='天安门广场',
icon=folium.Icon(icon='star', color='blue') 使用内置的星形图标
).add_to(m)
保存地图
m.save("beijing_markers.html")
```
这里，`folium.Marker()` 函数允许我们指定标记的 `location`、`popup`（弹出信息）和 `icon`（图标）。`popup` 参数非常强大，它支持 HTML 标签，你可以用它来添加标题、链接、甚至图片，让你的标记信息更加丰富。`folium.Icon()` 允许你自定义图标的颜色和形状。
4. 自定义图标和弹出窗口
想要让你的地图更具辨识度？自定义图标和弹出窗口是关键。
```python
import folium
m = folium.Map(location=[30.0566, 31.2357], zoom_start=13) 开罗
使用自定义图标和更复杂的弹出窗口
folium.Marker(
location=[30.0444, 31.2357],
popup='''
吉萨金字塔群
人类古代七大奇迹之一，古埃及文明的象征。
了解更多
''',
icon=folium.Icon(
color='green',
icon='infosign', 使用一个更通用的信息图标
prefix='glyphicon' 指定图标来源，这里是 Glyphicon
)
).add_to(m)
m.save("cairo_custom.html")
```
你可以尝试不同的 `color` 和 `icon` 组合，甚至从 Glyphicons、Font Awesome 等资源库中选择你喜欢的图标。
二、 进阶绘制：多样的地图元素和数据可视化
地图的魅力不仅在于点缀，更在于它如何承载和展示数据。`folium` 提供了丰富的功能，让我们能够将数据可视化到地图之上。
1. 绘制图形：CircleMarker 和 PolyLine
除了标记，我们还可以用圆圈和线来表示区域或路径。
```python
import folium
m = folium.Map(location=[40.7128, 74.0060], zoom_start=12) 纽约
绘制一个圆圈标记，代表一个区域
folium.CircleMarker(
location=[40.7580, 73.9855], 时报广场
radius=50, 半径，单位是像素
popup='时报广场',
color='blue', 圆圈边框颜色
fill=True, 是否填充
fill_color='lightblue', 填充颜色
fill_opacity=0.6
).add_to(m)
绘制一条线，代表一个路径
locations = [
[40.7128, 74.0060], 纽约市政厅
[40.7050, 74.0090], 华尔街
[40.7000, 74.0120] 自由女神像码头（概念性）
]
folium.PolyLine(
locations,
color='red',
weight=2.5, 线条宽度
opacity=1,
popup='纽约市中心区域游览路线'
).add_to(m)
m.save("newyork_shapes.html")
```
`folium.CircleMarker()` 可以用来绘制圆形标记，`radius` 参数控制其大小，而 `folium.PolyLine()` 则可以将一系列坐标点连接成线。
2. 热力图（Heatmap）——可视化密度分布
当你有大量密集分布的点数据时，热力图是展示密度分布的绝佳方式。
```python
import folium
from folium.plugins import HeatMap
import random
创建一个以旧金山为中心的地图
m = folium.Map(location=[37.7749, 122.4194], zoom_start=12)
生成一些随机的点数据，模拟某个活动在旧金山的发生地点
data = [
[random.uniform(37.7, 37.8), random.uniform(122.5, 122.4), random.random() 10]
for _ in range(1000)
]
添加热力图层
HeatMap(data).add_to(m)
m.save("sanfrancisco_heatmap.html")
```
`folium.plugins.HeatMap()` 需要一个包含 `[纬度, 经度, 权重]` 的列表作为输入。权重值越大，该区域的热力值就越高，颜色也就越深。
3. 群集标记（MarkerCluster）——化繁为简
当地图上标记过多导致密集拥挤时，标记群集（MarkerCluster）能极大地提升地图的可读性。它会将临近的标记聚集成一个组，并显示组内标记的数量。
```python
import folium
from folium.plugins import MarkerCluster
import random
m = folium.Map(location=[48.8566, 2.3522], zoom_start=11) 巴黎
生成一些随机的巴黎地点数据
paris_locations = [
(48.8584, 2.2945), 埃菲尔铁塔
(48.8606, 2.3376), 卢浮宫
(48.8738, 2.2950), 凯旋门
(48.8867, 2.3432), 蒙马特高地
(48.8462, 2.3950), 凡尔赛宫 (稍远但常被视为巴黎景点)
]
创建一个标记群集对象
marker_cluster = MarkerCluster().add_to(m)
向群集中添加标记
for i, (lat, lon) in enumerate(paris_locations):
folium.Marker(
location=[lat + random.uniform(0.005, 0.005), lon + random.uniform(0.005, 0.005)], 制造一点偏移
popup=f'巴黎景点 {i+1}',
icon=folium.Icon(color='purple')
).add_to(marker_cluster)
m.save("paris_markercluster.html")
```
`folium.plugins.MarkerCluster()` 是一个容器，你只需要将 `folium.Marker()` 添加到这个容器中即可。
三、 锦上添花：地图的风格与主题
一张漂亮的地图，离不开风格的渲染。`folium` 允许你切换不同的地图瓦片（Tiles），为地图赋予不同的视觉风格。
1. 切换地图瓦片
默认情况下，`folium` 使用 OpenStreetMap 的瓦片。你可以通过 `tiles` 参数切换到其他图源，例如 Stamen Terrain、Stamen Toner、CartoDB Positron 等。
```python
import folium
使用 Stamen Terrain 风格的地图
m_terrain = folium.Map(location=[45.8326, 6.8652], zoom_start=10, tiles="Stamen Terrain")
m_terrain.save("alps_terrain.html")
使用 CartoDB Positron 风格的地图 (简洁干净)
m_positron = folium.Map(location=[34.0522, 118.2437], zoom_start=12, tiles="CartoDB positron")
m_positron.save("la_positron.html")
使用 Stamen Toner 风格的地图 (黑白风格，适合数据可视化)
m_toner = folium.Map(location=[51.5074, 0.1278], zoom_start=13, tiles="Stamen Toner")
m_toner.save("london_toner.html")
```
尝试不同的 `tiles` 参数，找到最适合你数据的视觉风格。一些常用的选项包括：
`"OpenStreetMap"` (默认)
`"Stamen Terrain"`
`"Stamen Toner"`
`"Stamen Watercolor"`
`"CartoDB positron"`
`"CartoDB darkmatter"`
2. 添加图层控制器
当你的地图上有多个图层时（例如热力图和标记），图层控制器能让你方便地切换和显示/隐藏图层。
```python
import folium
from folium.plugins import HeatMap, MarkerCluster
m = folium.Map(location=[37.7749, 122.4194], zoom_start=12)
第一个图层：热力图
data_heatmap = [
[random.uniform(37.7, 37.8), random.uniform(122.5, 122.4), random.random() 5]
for _ in range(500)
]
HeatMap(data_heatmap, name='热力图数据').add_to(m)
第二个图层：标记群集
marker_cluster = MarkerCluster(name='标记数据').add_to(m)
for _ in range(100):
folium.Marker(
location=[random.uniform(37.7, 37.8), random.uniform(122.5, 122.4)],
popup='随机点',
icon=folium.Icon(color='orange')
).add_to(marker_cluster)
添加图层控制器
folium.LayerControl().add_to(m)
m.save("sf_layercontrol.html")
```
通过给图层对象（如 `HeatMap` 和 `MarkerCluster`）设置 `name` 参数，然后在地图对象 `m` 上调用 `folium.LayerControl().add_to(m)`，你就可以在地图的右上角看到一个图层控制器了。
四、 深度探索：`geopandas` 与地理空间数据
如果你的数据包含地理形状信息（如多边形、线段），那么 `geopandas` 将是你绘制更复杂、更精确地图的利器。`geopandas` 扩展了 `pandas` 的功能，使其能够处理地理空间数据。
1. 安装 `geopandas`
安装 `geopandas` 可能需要一些额外的依赖，建议使用 conda 来安装以避免冲突：
```bash
conda install geopandas
```
如果你使用 pip，可以尝试：
```bash
pip install geopandas
```
2. 读取地理空间数据
`geopandas` 可以读取多种地理空间数据格式，最常见的是 Shapefile (`.shp`)。
假设你有一个名为 `countries.shp` 的 Shapefile 文件，其中包含世界各国的地理边界信息。
```python
import geopandas as gpd
import folium
读取 Shapefile 文件
world_geo = gpd.read_file(gpd.datasets.get_path('naturalearth_lowres'))
过滤出亚洲国家 (示例)
asia = world_geo[world_geo['continent'] == 'Asia']
创建一个以亚洲中心为地图
m = folium.Map(location=[30, 100], zoom_start=3)
将 GeoDataFrame 的数据添加到 folium 地图
Choropleth 方法用于绘制分级统计地图
folium.Choropleth(
geo_data=asia.to_json(), GeoDataFrame 的 GeoJSON 格式
name='亚洲国家',
data=asia, 包含额外数据的 DataFrame
columns=['iso_a3', 'pop_est'], 关联的列： GeoDataFrame 的标识符和要显示的数据
key_on='feature.id', GeoJSON 中与 `columns` 关联的键
fill_color='YlGnBu', 颜色渐变方案
fill_opacity=0.7,
line_opacity=0.2,
legend_name='亚洲人口估计'
).add_to(m)
folium.LayerControl().add_to(m)
m.save("asia_choropleth.html")
```
这里的关键是 `folium.Choropleth()` 函数。它允许你根据数据为地理区域（多边形）着色，从而创建分级统计地图。你需要提供 GeoJSON 格式的地理数据，以及一个 DataFrame，其中包含与地理数据关联的数值。
3. 结合数据进行可视化
你可以将你自己的数据与地理空间数据合并，然后在地图上进行可视化。例如，你想根据国家的人均 GDP 来着色。
```python
import geopandas as gpd
import pandas as pd
import folium
读取世界各国地理数据
world_geo = gpd.read_file(gpd.datasets.get_path('naturalearth_lowres'))
创建一个示例的 GDP 数据 DataFrame
假设你的 GDP 数据是这样的格式：国家代码 (ISO A3), GDP
gdp_data = {
'iso_a3': ['USA', 'CAN', 'MEX', 'BRA', 'FRA', 'DEU', 'CHN', 'JPN', 'IND', 'AUS'],
'gdp_md_est': [23000, 1700, 1300, 1400, 2900, 4200, 17700, 5000, 3200, 1600]
}
gdp_df = pd.DataFrame(gdp_data)
将 GDP 数据合并到地理数据中
使用 'iso_a3' 列作为合并的键
world_gdp = world_geo.set_index('iso_a3').join(gdp_df.set_index('iso_a3')).reset_index()
移除没有 GDP 数据的行 (例如，如果某些国家数据缺失)
world_gdp = world_gdp.dropna(subset=['gdp_md_est'])
创建地图
m = folium.Map(location=[0, 0], zoom_start=2) 全球地图
绘制分级统计地图
folium.Choropleth(
geo_data=world_gdp.to_json(),
name='世界各国GDP',
data=world_gdp,
columns=['iso_a3', 'gdp_md_est'],
key_on='feature.id',
fill_color='PuBuGn', 不同的颜色方案
fill_opacity=0.7,
line_opacity=0.2,
legend_name='估计GDP (百万美元)'
).add_to(m)
folium.LayerControl().add_to(m)
m.save("world_gdp_choropleth.html")
```
通过 `set_index()` 和 `join()` 方法，你可以方便地将表格数据与地理数据关联起来。然后，`folium.Choropleth()` 就能将这些数据可视化到地图上。
五、 更多创意与可能性
上面介绍的只是 `folium` 和 `geopandas` 功能的冰山一角。还有许多其他强大的插件和技术，可以帮助你绘制出更加令人惊叹的地图：
`folium.plugins.Marker` 的 Popup HTML： 如前所述，你可以使用复杂的 HTML 来丰富标记的弹出信息，包括图表、图片等。
`folium.plugins.TimestampedGeoJson`： 用于创建随时间变化的地图动画，非常适合展示历史事件、数据演变等。
`folium.plugins.HeatMapWithTime`： 类似 `TimestampedGeoJson`，但专门用于创建随时间变化的热力图。
`folium.plugins.GeoJson` 的样式定制： 你可以更精细地控制 GeoJSON 数据的样式，比如为不同类型的地理要素设置不同的颜色和线宽。
结合其他可视化库： 考虑将 `matplotlib` 或 `seaborn` 生成的图表嵌入到 `folium` 的弹出窗口中，实现数据与地图的深度融合。
自定义 JavaScript 代码： 对于非常高级的需求，你可以直接在 `folium` 的 HTML 输出中插入自定义的 JavaScript 代码，利用 Leaflet.js 的全部潜力。
结语
用 Python 绘制漂亮的地图，是一次将数据转化为视觉语言的旅程。从 `folium` 提供的直观易用的接口，到 `geopandas` 赋予的地理空间处理能力，再到各种强大的插件和定制选项，Python 为我们打开了无限的地图绘制可能。
希望这篇文章能够为你提供一个坚实的基础和丰富的灵感。现在，轮到你了！去探索你的数据，发挥你的创意，用代码描绘出属于你自己的、独一无二的地图故事吧！
网友意见
推荐一个超好用的python包folium, 专门用于地理数据可视化，官方英文教程教程点击这里，查看本文源代码请点击这里（想要Python编程资料的童鞋请直接拉至最底部）。
使用方法很简单，操作如下：
- 导入包，创建一副世界地图
import folium import pandas as pd # define the world map world_map = folium.Map() # display world map world_map 2. 输入经纬度，尺度，在这里我们以旧金山（37.7749° N, 122.4194° W）为例。
# San Francisco latitude and longitude values latitude = 37.77 longitude = -122.42 # Create map and display it san_map = folium.Map(location=[latitude, longitude], zoom_start=12) # Display the map of San Francisco san_map 更改地图显示，默认为'OpenStreetMap'风格，我们还可以选择'Stamen Terrain', 'Stamen Toner'等。
# Create map and display it san_map = folium.Map(location=[latitude, longitude], zoom_start=12,tiles='Stamen Toner') 3. 读取数据集（旧金山犯罪数据集）
# Read Dataset cdata = pd.read_csv('https://cocl.us/sanfran_crime_dataset') cdata.head() 4. 在地图上显示前200条犯罪数据
# get the first 200 crimes in the cdata limit = 200 data = cdata.iloc[0:limit, :] # Instantiate a feature group for the incidents in the dataframe incidents = folium.map.FeatureGroup() # Loop through the 200 crimes and add each to the incidents feature group for lat, lng, in zip(cdata.Y, data.X): incidents.add_child( folium.CircleMarker( [lat, lng], radius=7, # define how big you want the circle markers to be color='yellow', fill=True, fill_color='red', fill_opacity=0.4 ) ) # Add incidents to map san_map = folium.Map(location=[latitude, longitude], zoom_start=12) san_map.add_child(incidents) 5. 添加地理标签
# add pop-up text to each marker on the map latitudes = list(data.Y) longitudes = list(data.X) labels = list(data.Category) for lat, lng, label in zip(latitudes, longitudes, labels): folium.Marker([lat, lng], popup=label).add_to(san_map) # add incidents to map san_map.add_child(incidents) 6. 统计区域犯罪总数
from folium import plugins # let's start again with a clean copy of the map of San Francisco san_map = folium.Map(location = [latitude, longitude], zoom_start = 12) # instantiate a mark cluster object for the incidents in the dataframe incidents = plugins.MarkerCluster().add_to(san_map) # loop through the dataframe and add each data point to the mark cluster for lat, lng, label, in zip(data.Y, data.X, cdata.Category): folium.Marker( location=[lat, lng], icon=None, popup=label, ).add_to(incidents) # add incidents to map san_map.add_child(incidents) 7. 读取geojson文件，可视化旧金山市10个不同Neighborhood的边界
import json import requests url = 'https://cocl.us/sanfran_geojson' san_geo = f'{url}' san_map = folium.Map(location=[37.77, -122.4], zoom_start=12) folium.GeoJson( san_geo, style_function=lambda feature: { 'fillColor': '#ffff00', 'color': 'black', 'weight': 2, 'dashArray': '5, 5' } ).add_to(san_map) #display map san_map 8. 统计每个区域的犯罪事件数目
# Count crime numbers in each neighborhood disdata = pd.DataFrame(cdata['PdDistrict'].value_counts()) disdata.reset_index(inplace=True) disdata.rename(columns={'index':'Neighborhood','PdDistrict':'Count'},inplace=True) disdata 9. 创建Choropleth Map （颜色深浅代表各区犯罪事件数目）
m = folium.Map(location=[37.77, -122.4], zoom_start=12) folium.Choropleth( geo_data=san_geo, data=disdata, columns=['Neighborhood','Count'], key_on='feature.properties.DISTRICT', #fill_color='red', fill_color='YlOrRd', fill_opacity=0.7, line_opacity=0.2, highlight=True, legend_name='Crime Counts in San Francisco' ).add_to(m) m 10. 创建热力图
from folium.plugins import HeatMap # let's start again with a clean copy of the map of San Francisco san_map = folium.Map(location = [latitude, longitude], zoom_start = 12) # Convert data format heatdata = data[['Y','X']].values.tolist() # add incidents to map HeatMap(heatdata).add_to(san_map) san_map 本文源代码Jupyter notebook地址：
GitHub下载地址：
最后，folium还可以用来创建动态热力图，动态路径图等，具体可参考Medium上的这篇文章。
实现效果如下图所示 (直接从Medium上抱过来的图，详细代码请点击上述链接）。
----------------
最近好多小伙伴私信我推荐一些学习编程的经验，我给大家几点建议：
1. 尽量不去看那些冗长的视频教程，不是说学不到知识，而是，在你学到知识之前，你可能已经睡着了 =_=
2. 不要贪多，选一个知名度高的python教程，教学为辅，练习为主。每天用15分钟学习课程，剩余时间就用来做编程练习好了。要随时记住，我们学习python的目的在于会用，而不是背过了多少知识点。
嘻嘻，我想给大家推荐一款我超喜欢的python课程——夜曲编程。我闲没事在上面刷了一些编程题目，竟然回想起，当年备考雅思时被百词斩支配的恐惧。还别说，这款课程真是百词斩旗下的。哈哈，一股熟悉的亲切感扑面而来。
言归正传，这款课程对新手小白超级适合。虽然有手机app，但我建议你们用网页端学习（如果你是在地铁上用手机码代码的神仙，当我没说）。最关键的是，它是免费的！关注同名公众号可以直接领取（你懂的）
最后，我的终极建议是：无论选什么教程，贪多嚼不烂，好好专注一门课程，勤加练习才是提高编程水平的王道。等基础知识学的差不多了，去Kaggle上参加几场比赛，琢磨琢磨别人的编程思路和方法就完美啦！
我的其他回答
机器学习中的因果关系: 从辛普森悖论（常见的统计学谬误）谈起
欢迎大家关注我的机器学习笔记专栏，我将用小白也能听懂的语言，为大家讲述机器学习中那些有趣好玩的知识 (●'◡'●)
简单梳理几个Python优质地图可视化工具，有的擅长交互、有的擅长学术研究、有的擅长商用地图展示，每一个都很666，记得文末点赞❤️❤️。
Echarts/pyecharts
pyecharts擅长商业交互可视化，地图是其重要一部分，有大量demo，代码拿来即可用。快速入门 ：快速上手pyecharts 三维动态世界地图
世界航线图
bus路径图
中国地图
可视化大屏
纽约街道数据
深入学习：https://github.com/pyecharts/pyecharts
Kepler.gl
kepler.gl为Uber开源的用于大规模地理空间数据集的可视化探索工具，可在Jupyter Notebook中使用，这里仅仅展示一些demo，
深入学习：https://github.com/keplergl/kepler.gl
Basemap
Basemap为地理空间数据可视化利器，偏学院派。举个栗子，我们生活的蓝色星球全貌，
import pyproj import geos from mpl_toolkits.basemap import Basemap # Basemap依赖pyproj和geos，三者一起导入，不然报错 import matplotlib.pyplot as plt plt.figure(dpi=150,figsize=(6,6)) m = Basemap( projection='ortho', #指定投影方式ortho lat_0=0, lon_0=140, #设置投影中心 resolution=None #设置分辨率 ) m.bluemarble(scale=0.5) #设置蓝色弹珠 (The Blue Marble)背景 plt.show(); 更多栗子，
深入学习：https://matplotlib.org/basemap/index.html
Folium
Folium是Python数据处理优势和JavaScript地图库Leaflet.js地图可视化优势的完美结合，二者结合后即可绘制优美的交互式地图。
一些栗子～
import folium whm = folium.Map( location=[30.5538, 114.31589], #武昌区经纬度 zoom_start=10, # 默认放大倍数 ) folium.Marker( #添加位置标示 location=[30.5538, 114.31589], popup="❤️武汉", icon=folium.Icon(color="#ba2f2a", icon="info-sign"), ).add_to(whm) folium.CircleMarker( #圈地 location=[30.5538, 114.31589], radius=100, #圈半径 color="#c72e29", fill=True, fill_color="#c72e29", ).add_to(whm) folium.Marker( location=[30.34653, 114.27001], popup="❤️", icon=folium.Icon(color="blue", icon="info-sign"), ).add_to(whm) folium.CircleMarker( location=[30.34653, 114.31001], radius=100, color="#01a2d9", fill=True, fill_color="#01a2d9", ).add_to(whm) whm 再举个栗子，Heatmap，
# Heatmap import numpy as np import folium from folium.plugins import HeatMap data = (np.random.normal(size=(50, 3)) * np.array([[1, 1, 1]]) + np.array([[39.904989, 116.4052859, 1]])).tolist() m = folium.Map([39.904989, 116.4052859], zoom_start=6) HeatMap(data, radius=20).add_to(m) m
Minicharts
Marker
ImageOverlay
choropleth
Heatmap with time
MiniMap
除此之外，Folium还有很多的插件
深入学习：http://python-visualization.github.io/folium/index.html
ipyleaflet
ipyleaflet为Jupyter Notebook的一个扩展，擅长交互式地图，
安装
pip install ipyleaflet jupyter nbextension enable --py --sys-prefix ipyleaflet 举个栗子，
from ipyleaflet import Map, MagnifyingGlass, basemaps, basemap_to_tiles m = Map(center=(30.5538, 114.31589), zoom=1.5) topo_layer = basemap_to_tiles(basemaps.OpenTopoMap) magnifying_glass = MagnifyingGlass(layers=[topo_layer]) m.add_layer(magnifying_glass) m
更多栗子，
进一步学习：https://github.com/jupyter-widgets/ipyleaflet/tree/stable
Cartopy
Cartopy为Basemap的继承者。
安装
brew install proj geos #安装依赖 pip install cartopy -i https://pypi.tuna.tsinghua.edu.cn/simple #清华源光速安装 举个栗子，路线图，
import cartopy import matplotlib.pyplot as plt plt.figure(dpi=150) plt.rcParams['font.sans-serif'] = ['Arial Unicode MS'] ax = plt.axes(projection=ccrs.PlateCarree()) #默认投影PlateCarree ax.stock_img() x_lon, x_lat = -55, -10, wh_lon, wh_lat = 114.30943, 30.59982 plt.plot( [x_lon, wh_lon], [x_lat, wh_lat], color='#dc2624', linewidth=1, marker='o', transform=ccrs.Geodetic(), ) plt.plot( [x_lon, wh_lon], [x_lat, wh_lat], color='#01a2d9', linestyle='--', transform=ccrs.PlateCarree(), ) plt.text(x_lon - 3, x_lat - 12, 'xx市', horizontalalignment='right', transform=ccrs.Geodetic()) plt.text(wh_lon + 3, wh_lat - 12, '武汉', horizontalalignment='left', transform=ccrs.Geodetic())
更多栗子，
交互图
风杆图
深入学习：https://scitools.org.uk/cartopy/docs/latest/index.html
geopandas
geopandas依赖pandas、fiona及matplotlib「GeoPandas是Pandas在地理数据处理方向的扩展，使用shapely地理数据分析、fiona执行地理数据读取、matplotlib执行绘图」。举几个栗子～
import matplotlib.pyplot as plt import geopandas #读入数据 world = geopandas.read_file(geopandas.datasets.get_path('naturalearth_lowres')) cities = geopandas.read_file( geopandas.datasets.get_path('naturalearth_cities')) #画图 fig, ax = plt.subplots(2, 1, dpi=200) world.plot(column='pop_est', cmap='Set1_r', ax=ax[0]) world.plot(column='gdp_md_est', cmap='Set1', ax=ax[1]) plt.show()
更多例子，如Plotting with CartoPy
Choro legends
kdeplot
进一步学习：https://github.com/geopandas/geopandas
geoplot
geoplot是一个high-level的Python地理数据可视化工具，是cartopy和matplotlib的扩展，geoplot 之于cartopy，犹如seaborn之于matplotlib.直接看demo：桑基图 (Sankey）
添加散点
添加核密度估计图
分级统计图
深入学习：https://github.com/ResidentMario/geoplot
Plotly/plotly-express
专业的交互式可视化工具，在Python、R、JavaScript方向都有API，
快速入门：❤️快速上手plotly-express❤️subplots
scatter
Marker/Line
choropleth
Density Heatmap
facets
深入学习：https://plotly.com/python/
欢迎关注❤️❤️：pythonic生物人
类似的话题
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2025 tinynews.org All Rights Reserved. 百科问答小站 版权所有