用folium+HeatMap可快速生成带底图、缩放、交互的热力图,前提是数据为WGS84经纬度且点数≤5000;data格式须为[[lat,lon,weight]],需清洗NaN、校验坐标范围、注意lat/lon顺序。

用 folium + HeatMap 快速画带经纬度的热力图
直接能出带底图、缩放、交互的热力图,不用配投影、不碰坐标系转换。前提是你的数据是 WGS84 坐标(即常见 GPS 经纬度),且点数别超 5000 —— 超了浏览器会卡顿甚至崩溃。
实操建议:
-
folium.Map初始化时用location=[lat, lon]设中心点,zoom_start=12控制初始缩放,别设太高(比如 18),否则热力核太散 -
HeatMap(data)的data必须是[[lat1, lon1, weight1], [lat2, lon2, weight2], ...]形式;如果只有经纬度没权重,就填[lat, lon, 1] - 权重列不是必须的,但加了能反映“热度差异”,比如按某地订单量、停留时长归一化后填进去,比单纯点密度更准
- 别用
pandas.DataFrame.values.tolist()直接喂给HeatMap—— 容易把NaN或None带进去,导致整个热力图白屏;先用df.dropna(subset=['lat', 'lon'])清洗
用 plotly.express.density_mapbox 替代方案(适合带聚合统计的场景)
当你要按行政区聚合、或想控制半径/opacity/颜色映射逻辑时,density_mapbox 比 HeatMap 更可控,且底层走 Mapbox,渲染快、支持更多样式。
注意点:
- 必须传
mapbox_style="carto-positron"或其它合法 style,不设会报ValueError: mapbox access token required—— 即使你只用免费底图,也得去 Mapbox 官网 注册拿一个 public token,然后用px.set_mapbox_access_token("your_token") -
radius参数单位是像素,不是米或千米;设 10–30 之间比较稳,太大糊成一片,太小看不出热区 - 它默认对点做空间核密度估计,如果你只想看原始点密度(不插值),加参数
center=dict(latitude=xx, longitude=xx)并调小zoom,再配合opacity=0.7观察
为什么不用 matplotlib + basemap 或 cartopy?
它们能画静态热力图,但要手动处理地理投影、设置底图瓦片、写 colormap 映射逻辑,光配好 cartopy.crs.PlateCarree() 和 ax.set_extent() 就容易卡住。除非你明确需要导出高分矢量图、或叠加自定义 shapefile 边界,否则纯属增加复杂度。
当现有的脚本或服务需要将作用域化的仓库工作委托给 Claude Code 并以编程方式消费结构化响应时,请使用 Claude Agent SDK for Python。
典型踩坑:
- 用
basemap时传入经纬度却忘了调m.scatter(lons, lats, ...)而不是plt.scatter(),结果点全堆在左下角 -
cartopy中plt.hist2d输出的是笛卡尔网格,直接喂给ax.pcolormesh会变形,必须用ax.contourf或ax.imshow配合transform=ccrs.PlateCarree() - 两种库都默认不支持中文路径/字体,保存图片时若标题含中文,得提前设
plt.rcParams['font.sans-serif'] = ['SimHei']
数据预处理最容易被忽略的三个细节
热力图最终效果差,90% 出在数据端,而不是绘图函数选错。
- 确认经纬度顺序:
folium和plotly都要[lat, lon],不是[lon, lat];用df[['latitude', 'longitude']]重命名列比靠位置索引安全 - 剔除异常值:经度不在
[-180, 180]、纬度不在[-90, 90]的点必须删,否则热力图边缘会出现诡异拉伸条带 - 采样降频:如果原始数据是手机信令或 GPS 轨迹点,每秒一条,直接画会过曝;用
df.sample(frac=0.05, random_state=42)先抽样,或按round(lat, 3), round(lon, 3)聚合计数再展开
热力图本质是核密度估计的可视化,坐标精度、点分布均匀性、权重设计,比换哪个库影响更大。
Python免费学习笔记(深入):立即使用
在学习笔记中,你将探索 Python 的核心概念和高级技巧!










