GIS基础理论 python空间分布图 Python空间分析

Python空间分析如何快速出图？手把手教你绘制python空间分布图（附：全套代码）

2026-02-24 GIS基础理论

wowwwai GIS研习社 · 工具流程与项目排障

如果你正在搜索“Python空间分析如何快速出图？手把手教你绘制python空间分布图（附：全套代码）”，大概率是已经有一份点、线、面空间数据，想用 Python 快速完成空间分析、分级渲染和地图出图，而不是只停留在表格统计或 GIS 软件手工制图。

引言：用 Python 空间分析快速出图适合哪些场景

Python 空间分析快速出图，最常见的需求是把行政区、采样点、POI、网格、道路或业务数据，做成一张可以汇报、检查或发布的空间分布图。相比在 QGIS 或 ArcGIS Pro 中逐步点击，Python 的优势在于可复现、可批量、可接入数据处理流程。

本文用一个实用流程演示：读取空间数据，统一坐标系，关联统计字段，绘制 python 空间分布图，并导出高清 PNG 图片。你可以把代码替换成自己的 Shapefile、GeoJSON、GeoPackage 或 CSV 点数据。

Python空间分析快速出图 python空间分布图流程示意 — Python 空间分析快速出图的典型流程：数据读取、坐标系统一、空间分析、分级制图和图片导出。

背景：为什么 Python 空间分布图经常画不对

很多同学第一次用 Python 画 GIS 图，会遇到几个典型问题：图能出来，但位置不对；颜色分级不合理；中文乱码；导出的图片模糊；点和面叠加不上；面积、距离计算结果不可信。

这些问题通常不是绘图函数本身造成的，而是空间数据处理链条没有检查完整。Python 空间分析快速出图不是简单调用 plot()，而是至少要确认数据格式、坐标系、字段类型、空间关系和输出参数。

本文示例使用以下 Python GIS 库：

GeoPandas：读取和处理矢量空间数据。
Matplotlib：绘制地图和导出图片。
Mapclassify：进行自然断点、分位数等分级。
Contextily：可选，用于添加在线底图。

原理：Python 空间分析出图的核心逻辑

绘制 python 空间分布图，本质上是把“空间几何”和“属性字段”一起表达出来。空间几何决定对象在哪里，属性字段决定对象用什么颜色、大小或符号表示。

一个可靠的 Python 空间分析出图流程通常包括四步：

读取数据：用 GeoPandas 读取 Shapefile、GeoJSON、GPKG 或 CSV。
统一坐标系：确认所有图层在同一个 CRS，也就是坐标参考系统。
计算或关联指标：例如人口密度、点数量、面积占比、缓冲区内统计值。
制图输出：设置颜色、图例、标题、边界、字体和分辨率。

如果涉及面积和距离计算，应优先使用投影坐标系，而不是直接在经纬度坐标系下计算。经纬度单位是度，不是米，直接计算面积和距离很容易得到误导性结果。

步骤：手把手绘制 python 空间分布图

步骤 1：准备 Python 环境

建议使用 Conda 创建独立环境，避免 GDAL、Fiona、PyProj 等底层依赖冲突。

conda create -n pygis-map python=3.11 -y
conda activate pygis-map
conda install -c conda-forge geopandas matplotlib mapclassify contextily openpyxl -y

如果你使用 pip，也可以安装，但在 Windows 环境下 GIS 依赖更容易出现编译或版本问题。GIS 初学者更推荐 Conda Forge。

步骤 2：准备示例数据结构

假设你有一个行政区面文件和一个统计表：

data/districts.shp：行政区边界，包含字段 adcode。
data/stat.xlsx：统计表，包含字段 adcode 和 value。

其中 value 可以是人口、销售额、采样数量、风险指数、土地利用比例等需要表达空间分布的指标。

步骤 3：读取空间数据并检查坐标系

import geopandas as gpd
import pandas as pd
import matplotlib.pyplot as plt

districts = gpd.read_file("data/districts.shp")
stat = pd.read_excel("data/stat.xlsx")

print(districts.head())
print(districts.crs)
print(stat.head())

这里最重要的是 districts.crs。如果输出为 None，说明数据没有定义坐标系。此时不要急着出图，应先确认原始数据到底是什么坐标系，再用 set_crs() 定义。

# 示例：如果确认原始数据是 WGS84 经纬度
districts = districts.set_crs(epsg=4326, allow_override=True)

注意：set_crs() 是“定义坐标系”，不会改变坐标值；to_crs() 是“转换坐标系”，会改变坐标值。二者不能混用。

步骤 4：关联统计字段

用行政区编码 adcode 把空间边界和统计表连接起来。

districts["adcode"] = districts["adcode"].astype(str)
stat["adcode"] = stat["adcode"].astype(str)

gdf = districts.merge(stat, on="adcode", how="left")

print(gdf[["adcode", "value"]].head())
print(gdf["value"].isna().sum())

如果 value 出现大量空值，通常是编码类型不一致、前导零丢失、字段名写错或行政区版本不一致。

步骤 5：绘制分级设色空间分布图

下面这段代码可以直接绘制一张基础的 python 空间分布图。分级方式使用 quantiles，即分位数分级，适合快速观察区域差异。

import matplotlib as mpl

plt.rcParams["font.sans-serif"] = ["SimHei", "Microsoft YaHei", "Arial Unicode MS"]
plt.rcParams["axes.unicode_minus"] = False

fig, ax = plt.subplots(figsize=(10, 8), dpi=150)

gdf.plot(
    column="value",
    ax=ax,
    cmap="YlOrRd",
    scheme="quantiles",
    k=5,
    legend=True,
    edgecolor="#666666",
    linewidth=0.4,
    missing_kwds={
        "color": "#eeeeee",
        "edgecolor": "#999999",
        "hatch": "///",
        "label": "无数据"
    }
)

ax.set_title("区域指标空间分布图", fontsize=16, pad=15)
ax.set_axis_off()

plt.tight_layout()
plt.savefig("output/python_space_distribution_map.png", dpi=300, bbox_inches="tight")
plt.show()

这段代码完成了颜色分级、边界线绘制、图例显示、中文标题和高清导出。对于日常汇报图、论文初稿图和数据质检图，这已经足够使用。

步骤 6：添加点数据叠加分析

如果你还需要把采样点、监测站、门店或事件点叠加到行政区上，可以读取点图层并统一坐标系。

points = gpd.read_file("data/points.geojson")

if points.crs != gdf.crs:
    points = points.to_crs(gdf.crs)

fig, ax = plt.subplots(figsize=(10, 8), dpi=150)

gdf.plot(
    column="value",
    ax=ax,
    cmap="Blues",
    scheme="quantiles",
    k=5,
    legend=True,
    edgecolor="#555555",
    linewidth=0.4
)

points.plot(
    ax=ax,
    color="red",
    markersize=12,
    alpha=0.75
)

ax.set_title("区域指标与点位叠加空间分布图", fontsize=16, pad=15)
ax.set_axis_off()

plt.tight_layout()
plt.savefig("output/python_overlay_distribution_map.png", dpi=300, bbox_inches="tight")
plt.show()

点面叠加不上时，第一反应应该是检查坐标系，而不是调整颜色或缩放范围。

步骤 7：按行政区统计点数量并出图

很多 Python 空间分析快速出图场景不是直接画已有字段，而是先做空间统计。例如统计每个行政区内有多少个点。

# 确保点和面坐标系一致
if points.crs != districts.crs:
    points = points.to_crs(districts.crs)

joined = gpd.sjoin(points, districts[["adcode", "geometry"]], how="left", predicate="within")

count_df = joined.groupby("adcode").size().reset_index(name="point_count")
district_count = districts.merge(count_df, on="adcode", how="left")
district_count["point_count"] = district_count["point_count"].fillna(0)

fig, ax = plt.subplots(figsize=(10, 8), dpi=150)

district_count.plot(
    column="point_count",
    ax=ax,
    cmap="OrRd",
    scheme="naturalbreaks",
    k=5,
    legend=True,
    edgecolor="#666666",
    linewidth=0.4
)

points.plot(ax=ax, color="#111111", markersize=6, alpha=0.5)

ax.set_title("各行政区点数量空间分布图", fontsize=16, pad=15)
ax.set_axis_off()

plt.tight_layout()
plt.savefig("output/python_point_count_map.png", dpi=300, bbox_inches="tight")
plt.show()

这里的 gpd.sjoin() 是空间连接。它根据几何关系把点匹配到面内，常用于点落区、区域统计、网格统计和空间归属判断。

常见坑：Python 空间分析快速出图最容易出错的地方

坑 1：坐标系看起来一样，实际不是一样

有些数据都显示在中国范围，但一个是 WGS84 经纬度，一个是 CGCS2000 经纬度，一个是 Web Mercator。肉眼看不一定明显，做空间连接、面积计算、缓冲区分析时就会出问题。

先打印 gdf.crs。
叠加前统一使用 to_crs()。
面积和距离计算前转换到合适的投影坐标系。

坑 2：中文字段或中文标题乱码

Matplotlib 默认字体不一定支持中文。可以设置中文字体：

plt.rcParams["font.sans-serif"] = ["SimHei", "Microsoft YaHei", "Arial Unicode MS"]
plt.rcParams["axes.unicode_minus"] = False

如果 Shapefile 属性表中文乱码，常见原因是编码问题。可以尝试：

gdf = gpd.read_file("data/districts.shp", encoding="utf-8")
# 或
gdf = gpd.read_file("data/districts.shp", encoding="gbk")

坑 3：导出的空间分布图很模糊

网页预览看起来可以，但插入报告后模糊，通常是导出分辨率不足。建议使用：

figsize 控制画布尺寸。
dpi=300 或更高用于报告和论文。
bbox_inches="tight" 去除多余白边。

坑 4：分级颜色误导判断

分位数分级适合比较排名，但可能让数值差异很小的区域看起来差异很大。自然断点适合突出聚类差异，但不同数据集之间不一定可比。等距分级容易理解，但对极端值敏感。

制作 python 空间分布图时，不要只追求颜色好看，还要考虑指标分布和读图目的。

坑 5：Shapefile 字段名被截断

Shapefile 字段名长度有限，长字段可能被截断。若字段频繁丢失或变形，建议改用 GeoPackage：

gdf.to_file("output/result.gpkg", layer="district_result", driver="GPKG")

方法比较：Python、QGIS 和 ArcGIS Pro 出图怎么选

方法	适合场景	优势	限制
Python GeoPandas + Matplotlib	批量出图、自动化报告、数据分析流程	可复现、易批处理、适合和统计分析结合	版式设计不如专业 GIS 制图界面直观
QGIS	交互式制图、快速检查数据、开源桌面 GIS	可视化操作方便，插件丰富	批量自动化需要额外配置 Processing 或 PyQGIS
ArcGIS Pro	正式制图、企业 GIS、复杂地图布局	制图体系完整，符号化和布局能力强	授权成本较高，自动化通常依赖 ArcPy
Python + Folium 或 Plotly	交互式网页地图、数据探索	可缩放、可点击、适合分享 HTML	不一定适合高质量静态制图和印刷输出

如果你的目标是快速分析并导出多张同类地图，Python 空间分析快速出图更合适。如果你的目标是精细排版、注记避让、地图整饰和印刷级制图，QGIS 或 ArcGIS Pro 会更顺手。

检查清单：出图前务必确认这些项

空间数据是否能正常读取，几何是否为空。
所有图层是否有正确 CRS。
点、线、面叠加前是否已经统一坐标系。
属性连接字段的数据类型是否一致。
统计字段是否存在空值、异常值和极端值。
分级方法是否符合业务解释逻辑。
中文字体是否能正常显示。
图例、标题、颜色和边界线是否清晰。
导出图片是否设置了足够的 dpi。
输出文件夹是否存在，路径是否写对。

FAQ：Python 空间分析快速出图常见问题

1. Python 空间分析快速出图一定要用 GeoPandas 吗？

不一定，但 GeoPandas 是入门和日常矢量空间分析最方便的选择。它把 Pandas 表格处理和 Shapely 几何处理结合起来，适合绘制 python 空间分布图、空间连接、缓冲区、叠加分析和字段统计。

2. 为什么我的点数据和面数据叠加不上？

最常见原因是坐标系不一致，或者某个图层没有正确定义 CRS。先检查 points.crs 和 districts.crs，再用 to_crs() 转换到同一坐标系。

3. 经纬度数据能不能直接计算面积和距离？

不建议。经纬度单位是度，不能直接当作米使用。做面积、距离、缓冲区等空间分析前，应转换到合适的投影坐标系。例如局部城市分析可选择对应 UTM 分带或本地投影。

4. python 空间分布图用什么颜色方案比较合适？

连续数值常用 YlOrRd、OrRd、Blues 等顺序色带；正负差异可以用发散色带，如 RdBu。不要在同一张图里混用过多高饱和颜色，否则会影响读图。

5. 如何批量给多个字段出图？

可以把字段名放入列表，用循环生成多张图。注意每个字段的标题、图例和输出文件名要单独设置。

fields = ["population", "income", "risk_index"]

for field in fields:
    fig, ax = plt.subplots(figsize=(10, 8), dpi=150)
    gdf.plot(
        column=field,
        ax=ax,
        cmap="YlOrRd",
        scheme="quantiles",
        k=5,
        legend=True,
        edgecolor="#666666",
        linewidth=0.4
    )
    ax.set_title(f"{field} 空间分布图", fontsize=16, pad=15)
    ax.set_axis_off()
    plt.tight_layout()
    plt.savefig(f"output/{field}_map.png", dpi=300, bbox_inches="tight")
    plt.close()

6. 为什么空间连接结果为空？

优先检查三点：坐标系是否一致，点是否确实落在面范围内，空间关系参数是否正确。点落区通常使用 predicate="within"，如果边界点较多，也可以根据数据特点测试 intersects。

结论：快速出图的关键不是 plot，而是完整流程

Python 空间分析快速出图的核心，不是记住某一个绘图函数，而是建立稳定流程：读取数据、检查坐标系、关联或计算指标、选择合理分级、设置制图样式并导出高清图片。

只要把本文代码中的文件路径、连接字段和指标字段替换成自己的数据，就可以快速绘制 python 空间分布图。后续如果需要批量制图、自动化报告或 WebGIS 数据发布，也可以在这个流程上继续扩展。