Python GIS开发指南：从基础到实战的空间数据处理技巧

原创

于 2026-03-12 04:48:31 发布 · 301 阅读

标签

1. 环境搭建：别让第一步绊倒你

很多朋友一上来就想搞个炫酷的地图，结果在安装库这一步就卡了半天，最后兴趣全无。我刚开始玩Python GIS的时候也踩过不少坑，今天就把最顺滑的路径分享给你。Python做GIS开发，核心就是几个“轮子”（库），选对了，装好了，后面就是一路坦途。

首先，我强烈建议你使用 Anaconda 来管理你的Python环境。别嫌麻烦，这玩意儿能帮你避开99%的依赖冲突问题。GIS库之间关系复杂，比如GDAL这个底层巨兽，用pip直接装经常出幺蛾子。用Anaconda，一个命令就搞定所有依赖。打开你的终端（Windows用Anaconda Prompt，Mac/Linux用终端），创建一个专门用于GIS的环境：

conda create -n gis_env python=3.9
conda activate gis_env

环境名字gis_env你可以随便取，Python版本用3.8或3.9比较稳，太高版本可能有些库还没适配。激活环境后，你就进入了一个干净的“沙箱”，在这里面折腾，不会搞乱你电脑上其他的Python项目。

接下来是安装核心库。别一个个装了，用conda一条命令批量安装最省心：

conda install -c conda-forge geopandas rasterio shapely fiona matplotlib contextily jupyterlab

我解释一下这几个库是干嘛的，让你用起来心里有底。Geopandas 是绝对的主角，你可以把它理解为地理数据界的Pandas，能像操作Excel表格一样操作地图数据，核心数据结构GeoDataFrame就是带几何图形的表格。Rasterio 是处理栅格数据（卫星影像、DEM高程图）的利器。Shapely 是几何图形操作的引擎，点、线、面怎么算距离、求交集都靠它。Fiona 是读写各种矢量数据格式（如Shapefile）的后台。Matplotlib 负责画图可视化。Contextily 能轻松添加在线底图（比如OpenStreetMap）。JupyterLab 是我们的交互式笔记本，边写代码边看地图结果，体验极佳。

如果一切顺利，在JupyterLab里跑一下import geopandas as gpd没报错，恭喜你，你的GIS开发环境已经比很多人专业了。这里有个小坑提醒你：如果安装过程中卡住或者报错，多半是网络问题或者conda-forge通道没添加好。可以尝试换成国内的镜像源，比如清华源，速度会快很多。这一步基础打牢了，后面所有炫酷的操作才有了坚实的舞台。

2. 地图绘制：让你的数据“活”起来

有了数据，第一件事就是把它画出来看看。地图可视化不是简单的“显示”，而是探索数据的第一步。很多隐藏的模式和问题，看一眼地图就全明白了。咱们不用搞得太复杂，从最直接的Geopandas绘图开始。

假设你手头有一个城市的行政区划Shapefile文件（比如叫districts.shp）。用Geopandas读取它只需要一行代码：

import geopandas as gpd
import matplotlib.pyplot as plt

# 读取数据
districts = gpd.read_file('path/to/your/districts.shp')
# 看看前几行和数据的基本信息
print(districts.head())
print(districts.crs) # 查看坐标系

这里有个关键点：crs（坐标参考系统）。它定义了数据在地球上的位置。常见的有WGS84（EPSG:4326，经纬度）和Web墨卡托（EPSG:3857，网络地图常用）。如果坐标系不对，地图会显示错位，或者无法进行精确的空间计算。拿到数据先看crs是个好习惯。

画一张基础地图更简单：

fig, ax = plt.subplots(figsize=(10, 8))
districts.plot(ax=ax, edgecolor='black', facecolor='lightblue', linewidth=0.5)
ax.set_title('城市行政区划图', fontsize=16)
plt.show()

但这张图有点“素”，只有区块。我们经常需要叠加其他信息。比如，我想在各个行政区里填充上人口密度，颜色越深表示密度越高：

fig, ax = plt.subplots(figsize=(10, 8))
# 假设districts数据框里有一个‘population_density’列
districts.plot(ax=ax, column='population_density', cmap='OrRd', edgecolor='black', linewidth=0.5, legend=True, legend_kwds={'label': "人口密度 (人/平方公里)", 'shrink': 0.8})
ax.set_title('城市人口密度分布图', fontsize=16)
plt.show()

参数column指定了用哪一列的值来映射颜色，cmap是颜色方