H3六边形索引有什么用?Python库怎么调?

wowwwai GIS研习社 · 工具流程与项目排障

《H3六边形索引有什么用?Python库怎么调?》这篇文章面向 GIS 学生、空间数据分析师和 Python GIS 入门用户，解决一个很具体的问题：当点数据很多、行政区边界不规则、网格统计又需要稳定尺度时，如何用 H3 六边形索引把经纬度点快速归入统一网格，并在 Python 中完成统计、可视化和导出。

引言：H3六边形索引适合解决什么 GIS 问题

H3六边形索引是 Uber 开源的一套全球离散网格系统。它把地球表面划分为不同分辨率的六边形格网，并给每个格子分配一个唯一索引。对 GIS 用户来说，它最常见的用途不是“画好看的六边形”，而是把点、轨迹、订单、POI、传感器位置等经纬度数据快速聚合到统一空间单元里。

如果你遇到下面这些场景，H3 往往比直接按行政区统计更灵活：

• 外卖订单、打车上下车点、用户签到点需要做空间热度统计。
• 不同城市之间需要用统一尺度比较空间分布。
• 点数据量很大，直接做点在面内分析速度慢。
• 需要把统计结果发布到 WebGIS 中，并按缩放级别加载不同精度。
• 想用 Python 快速完成网格化、聚合、导出 GeoJSON。

背景：为什么不用普通方格或行政区统计

在 GIS 分析中，常见的空间聚合单元有行政区、规则方格、鱼网、栅格像元和六边形网格。H3六边形索引的优势，主要体现在跨区域、跨尺度和程序化处理上。

行政区统计的问题

行政区边界适合做管理口径分析，但不适合所有空间问题。例如同样是一个街道，面积可能差异很大；同样的订单数量，放在大面积区域和小面积区域里，空间含义并不一样。行政区边界还会带来可变面元问题，也就是统计结果会受到分区方式影响。

普通方格的问题

方格容易生成，也容易计算，但方格的邻接关系不如六边形均衡。方格有 4 邻接和 8 邻接两种理解方式，斜向邻居距离与正向邻居距离不同。六边形每个格子通常有 6 个邻居，中心到邻居中心的距离更一致，适合做邻域扩散、热点平滑、覆盖分析等任务。

H3 的实际价值

H3 的核心价值是：把地球上的任意经纬度位置映射为一个字符串索引。这个索引既能代表空间位置，又能通过分辨率控制格网大小。你可以在数据库、Python、WebGIS 前端之间传递这个索引，而不必每次都重新做复杂的几何叠加。

原理：H3六边形索引到底是什么

H3六边形索引可以理解为一种全球网格编码。给定一个纬度、经度和分辨率，H3 会返回一个 cell id，例如一个十六进制风格的字符串。这个 cell id 对应地球表面的一个六边形单元。

H3 有多个分辨率级别。分辨率越低，六边形越大；分辨率越高，六边形越小。实际项目中，不要盲目选择最高分辨率，而要根据业务尺度决定。

需要特别注意：H3 的 Python 库通常使用 WGS84 经纬度坐标。也就是说，输入点应当是经纬度，而不是 Web Mercator 米制坐标、CGCS2000 投影坐标或地方投影坐标。如果坐标系不对，得到的 H3六边形索引也会完全错误。

步骤：Python库怎么调 H3 六边形索引

步骤 1：安装 Python H3 库

在 Python 环境中可以直接安装 H3 官方 Python 绑定库。建议先在虚拟环境中操作，避免和已有 GIS 环境冲突。

pip install h3 geopandas shapely pandas

如果你使用 Anaconda，也可以在新环境中安装。GeoPandas 依赖较多，Windows 用户如果安装失败，可以优先使用 conda-forge。

conda create -n h3gis python=3.11
conda activate h3gis
conda install -c conda-forge geopandas shapely pandas
pip install h3

步骤 2：把经纬度点转换为 H3 索引

下面示例用一组点数据演示如何生成 H3六边形索引。注意新版 h3-py 常用函数名是 latlng_to_cell，参数顺序是纬度、经度、分辨率。

import pandas as pd
import h3

df = pd.DataFrame({
    "id": [1, 2, 3, 4],
    "lon": [116.397, 116.398, 116.410, 116.420],
    "lat": [39.908, 39.909, 39.915, 39.920]
})

resolution = 9

df["h3_cell"] = df.apply(
    lambda row: h3.latlng_to_cell(row["lat"], row["lon"], resolution),
    axis=1
)

print(df)

这里最容易写错的是经纬度顺序。很多 GIS 文件和 GeoJSON 使用经度、纬度顺序，但 H3 的 latlng_to_cell 使用纬度、经度顺序。只要顺序反了，点就会落到完全错误的位置。

步骤 3：按 H3 单元统计点数量

有了 H3 索引之后，普通表格统计就可以完成空间聚合。对于订单数、POI 数、事故点数量、访问量等点事件数据，这是最常见的用法。

grid_count = (
    df.groupby("h3_cell")
      .size()
      .reset_index(name="point_count")
)

print(grid_count)

这一步的本质是把空间问题转换成分组统计问题。相比每次都做点面叠加，H3 索引可以更方便地进入数据库、缓存和前端渲染流程。

步骤 4：把 H3 单元转换为六边形边界

如果要在 QGIS、ArcGIS Pro 或 WebGIS 中显示结果，需要把 H3 cell id 转换为多边形几何。下面示例使用 cell_to_boundary 获取六边形边界，再构造 GeoDataFrame。

import geopandas as gpd
from shapely.geometry import Polygon

def h3_cell_to_polygon(cell):
    boundary = h3.cell_to_boundary(cell)
    coords = [(lng, lat) for lat, lng in boundary]
    return Polygon(coords)

grid_count["geometry"] = grid_count["h3_cell"].apply(h3_cell_to_polygon)

gdf = gpd.GeoDataFrame(
    grid_count,
    geometry="geometry",
    crs="EPSG:4326"
)

print(gdf)

这里也要注意坐标顺序。cell_to_boundary 返回的通常是纬度、经度坐标对，而 Shapely 的 Polygon 坐标需要经度、纬度顺序，所以示例中做了 (lng, lat) 的转换。

步骤 5：导出 GeoJSON 给 QGIS 或 WebGIS 使用

生成 GeoDataFrame 后，可以导出为 GeoJSON。这个结果可以直接拖入 QGIS，也可以作为 Leaflet、OpenLayers、MapLibre GL JS 的矢量数据源。

gdf.to_file("h3_point_count.geojson", driver="GeoJSON")

如果数据量较大，不建议把所有 H3 多边形一次性塞进前端。更稳妥的方式是先按地图视窗、城市范围或分辨率切片查询，再返回当前需要显示的 H3 结果。

步骤 6：把已有面范围填充为 H3 六边形

除了点转 H3，另一个常见需求是把一个行政区、研究区或服务区填充为 H3 格网。新版 h3-py 中可以使用多边形填充相关接口，但不同版本函数名可能有所变化。实际使用前建议查看当前安装版本的文档或用 dir(h3) 检查可用函数。

import h3

print(h3.__version__)
print([name for name in dir(h3) if "polygon" in name or "cells" in name])

如果你的版本支持 polygon_to_cells，可以把区域多边形转换为 H3 cells。处理真实项目时，务必确认输入多边形是 WGS84 经纬度坐标，并且外环、内洞方向符合库函数要求。

常见坑：H3六边形索引用错通常错在哪里

坑 1：坐标系不是 EPSG:4326

H3六边形索引通常基于经纬度坐标。如果你的点数据来自高德、百度、Web Mercator、地方投影或 CGCS2000 投影坐标，必须先确认坐标系并转换。尤其是米制坐标直接传给 H3，会得到没有意义的索引。

• 检查字段范围：经度通常在 -180 到 180，纬度通常在 -90 到 90。
• 检查中国区域数据：经度大致在 73 到 135，纬度大致在 18 到 54。
• 如果坐标值是几百万，通常不是经纬度。

坑 2：经纬度顺序写反

GeoJSON、Shapely 和多数 GIS 几何对象习惯使用经度、纬度顺序，而 H3 的点转索引函数通常使用纬度、经度。写代码时建议明确使用字段名，不要直接写位置参数。

cell = h3.latlng_to_cell(lat=39.908, lng=116.397, res=9)

如果你的 h3-py 版本不支持关键字参数，就保持清晰的变量名，避免把 lon 和 lat 放反。

坑 3：分辨率选得过高

H3 分辨率越高，格子越小，结果越细，但格子数量也会快速增加。对于样本量不大的点数据，高分辨率会让很多格子只有 1 个点，看起来像噪声，而不是可解释的空间格局。

建议先用较低或中等分辨率做探索，再逐步提高分辨率。每次调整后都检查每个 H3 单元的样本量分布，而不是只看地图是否“更细”。

坑 4：把 H3 当作精确面积统计工具

H3 的格网单元面积随纬度和分辨率会有差异，不能简单认为每个六边形面积完全相等。如果要做严谨面积统计，应当把结果投影到合适的等面积坐标系中，再进行面积计算。

坑 5：Python 库版本导致函数名不一致

h3-py 不同版本中函数名有过变化。例如旧资料中常见 geo_to_h3，新版中常见 latlng_to_cell。如果复制网上代码报错，先检查版本和函数列表。

import h3

print(h3.__version__)
print("latlng_to_cell" in dir(h3))
print("geo_to_h3" in dir(h3))

方法比较：H3、普通鱼网、Geohash 和行政区统计怎么选

如果你的目标是业务报表，行政区统计通常更合适。如果你的目标是空间模式识别、热点分析、前端地图聚合或跨城市对比，H3六边形索引更值得优先考虑。

检查清单：做 H3 Python 分析前后要确认什么

• 坐标系：输入点是否为 WGS84 经纬度，是否需要从投影坐标转换。
• 字段顺序：调用 H3 函数时是否使用纬度、经度，而不是经度、纬度。
• 分辨率：所选分辨率是否匹配研究尺度，是否导致格子过密或过稀。
• 样本量：每个 H3 单元的点数量是否足够支撑分析结论。
• 边界转换：H3 边界转 Polygon 时是否把坐标顺序转换为经度、纬度。
• 导出格式：GeoJSON 是否声明 EPSG:4326，QGIS 中位置是否正确。
• 版本兼容：当前 h3-py 版本的函数名是否和示例代码一致。
• 前端性能：WebGIS 是否需要按视窗、缩放级别或瓦片方式加载。

FAQ：H3六边形索引常见问题

H3六边形索引有什么用？

H3六边形索引主要用于把地球表面的点、线、面数据映射到统一六边形网格中。最常见用途包括点数据聚合、热点分析、空间索引、邻域分析、轨迹统计和 WebGIS 分级渲染。

Python 调 H3 库时为什么结果位置不对？

最常见原因是坐标系或经纬度顺序错误。H3 通常要求输入 WGS84 经纬度，点转索引函数使用纬度、经度顺序；而 GeoJSON 和 Shapely 常用经度、纬度顺序。建议先打印坐标范围，再在 QGIS 中抽样核对结果。

H3 分辨率应该选多少？

没有固定答案。分辨率要根据研究尺度、点密度和地图展示比例决定。城市级热点分析通常先从中等分辨率试起，再根据每个格子的样本量和地图可读性调整。不要只追求更高分辨率。

H3 可以替代 PostGIS 空间索引吗？

不能简单替代。PostGIS 空间索引用于加速几何查询，H3 更像一种离散空间编码和聚合单元。在实际项目中，两者可以配合使用：PostGIS 存储和查询空间数据，H3 用于预聚合、分级统计和前端展示。

QGIS 能不能直接显示 H3 结果？

可以。用 Python 把 H3 cell 转换成 Polygon 后导出 GeoJSON、GeoPackage 或 Shapefile，就能在 QGIS 中加载显示。推荐使用 GeoJSON 或 GeoPackage，字段和坐标系处理更方便。

H3 六边形面积完全一样吗？

不完全一样。H3 的格网面积会随位置和分辨率变化。如果只是做点数量聚合，通常影响不大；如果要做严谨密度或面积统计，应使用合适的等面积投影，并明确计算口径。

结论：把 H3 当作“空间分组键”来用

理解 H3六边形索引的关键，不是记住某个函数名，而是把它看作空间数据的分组键。经纬度点先转换为 H3 cell id，再用普通表格分组统计，最后把 cell id 转回六边形几何用于 GIS 展示。

在 Python 工作流中，最小可用流程就是：安装 h3，用 latlng_to_cell 生成索引，用 groupby 统计，用 cell_to_boundary 转几何，再用 GeoPandas 导出 GeoJSON。只要坐标系、经纬度顺序和分辨率选型不出错，H3 就能成为点数据聚合和 WebGIS 可视化中非常实用的工具。