Python地理地图制作：folium可视化教程

想要用Python轻松制作交互式地理地图吗？本教程将带你掌握folium库的核心技巧，让你快速上手地理数据可视化。首先，你需要创建folium.Map对象，设置地图的中心坐标和缩放级别。接着，利用folium.Marker、folium.GeoJson等添加标记点、区域等地理元素。对于海量数据，folium.plugins.MarkerCluster能有效聚合优化性能。通过tiles参数，你可以自由切换底图风格，如"Stamen Toner"或"CartoDB dark_matter"，甚至添加自定义瓦片图层。更高级的，可以使用folium.plugins.HeatMap制作热力图，用folium.Choropleth结合GeoJSON生成等值线图，直观展示区域数值差异。最后，调用m.save()即可生成可交互的HTML地图文件，方便分享和嵌入。掌握这些技巧，你就能用Python轻松玩转地理数据可视化！

使用folium制作地理信息地图的核心步骤为：1. 创建folium.Map对象并设置中心坐标和缩放级别；2. 添加标记点、区域或路线等地理元素，如folium.Marker、folium.GeoJson；3. 针对大量点数据使用folium.plugins.MarkerCluster实现聚合优化性能；4. 通过tiles参数选择底图（如"Stamen Toner"或"CartoDB dark_matter"）或添加自定义瓦片图层；5. 利用folium.plugins.HeatMap制作热力图展示密度分布，使用folium.Choropleth结合GeoJSON边界数据与统计表格生成等值线图，通过颜色深浅反映区域数值差异，最终调用m.save()输出可交互的HTML地图文件，完整实现从数据到可视化的全流程。

Python要制作地理信息地图，folium库无疑是首选之一。它能让你以极低的门槛，直接在Python环境里生成交互式Web地图，无论是展示地理位置点、路线，还是区域统计数据，folium都能轻松胜任，并且最终产出的是一个可以在任何浏览器中打开的HTML文件，非常方便分享和嵌入。

解决方案

我的经验告诉我，用folium制作地图，核心就是围绕folium.Map对象展开。你首先得创建一个地图实例，指定它的中心坐标（location）和初始缩放级别（zoom_start）。比如，你想展示北京的某个区域，可能就会用类似location=[39.9, 116.4]这样的坐标。

创建好地图后，接下来的工作就是往上面添加各种地理元素了。最基础的当然是标记点（folium.Marker），你可以给它加上图标，甚至弹出信息（popup），让用户点击时看到更详细的内容。如果你需要展示区域，比如省份边界或者某个小区的轮廓，folium.GeoJson或者folium.Polygon就派上用场了。它们能直接渲染GeoJSON格式的数据，这在处理地理空间数据时非常常见。

举个简单的例子，创建一个以某个坐标为中心的基础地图，并添加一个标记点：

import folium

# 创建一个地图对象，中心点设在上海东方明珠附近，初始缩放级别为15
m = folium.Map(location=[31.233334, 121.49388], zoom_start=15)

# 添加一个标记点，并附带点击弹窗信息
folium.Marker(
    location=[31.233334, 121.49388],
    popup="<b>东方明珠广播电视塔</b><br>上海的地标性建筑",
    icon=folium.Icon(color="red", icon="info-sign")
).add_to(m)

# 将地图保存为HTML文件
m.save("shanghai_landmark_map.html")

这段代码运行后，你会得到一个shanghai_landmark_map.html文件，用浏览器打开就能看到一个交互式的上海地图，上面有一个红色的标记点，点击后会弹出“东方明珠广播电视塔”的介绍。这种直观的反馈，让folium的学习曲线变得非常平滑。

如何在folium地图中高效展示大量地理数据？

当你需要在一个地图上展示成百上千甚至上万个点时，直接用folium.Marker一个个添加会非常卡顿，用户体验会很差，地图加载也会慢得让人抓狂。我的经验告诉我，这时候就得考虑一些优化策略了。

一个非常有效的办法是使用folium.plugins.MarkerCluster。这个插件能够将距离相近的标记点自动聚合起来，当缩放地图时，聚合点会动态地展开或合并，极大地提升了大数据量下的地图性能和可读性。你只需要把所有的folium.Marker对象添加到这个MarkerCluster实例中，而不是直接添加到地图上。

from folium.plugins import MarkerCluster
import pandas as pd
import folium

# 假设你有一个包含经纬度数据的DataFrame
# df = pd.read_csv('your_data.csv')
# 模拟一些数据
data = {
    'lat': [31.23, 31.235, 31.24, 31.232, 31.238, 31.245, 31.236],
    'lon': [121.49, 121.495, 121.50, 121.492, 121.498, 121.505, 121.494],
    'name': ['点A', '点B', '点C', '点D', '点E', '点F', '点G']
}
df = pd.DataFrame(data)

m = folium.Map(location=[31.235, 121.495], zoom_start=13)

# 创建一个MarkerCluster实例
marker_cluster = MarkerCluster().add_to(m)

# 遍历数据，将每个点添加到MarkerCluster中
for idx, row in df.iterrows():
    folium.Marker(
        location=[row['lat'], row['lon']],
        popup=row['name']
    ).add_to(marker_cluster)

m.save("clustered_points_map.html")

除了点聚合，如果你处理的是复杂的面或线数据（比如GeoJSON文件），并且这些几何图形非常精细，也可以考虑在加载到folium之前进行几何简化（例如使用shapely或geopandas的simplify方法）。减少几何图形的顶点数量，也能有效降低渲染压力。我发现，对于那些细节在低缩放级别下根本看不清的图形，适当的简化是完全值得的。

folium地图的底图（Tile Layer）有哪些选择，如何自定义？

folium地图默认使用的是OpenStreetMap的底图，它很通用，但有时候你可能需要不同的视觉风格来更好地衬托你的数据。我个人很喜欢folium在底图选择上的灵活性。

folium内置支持多种流行的底图，你可以在创建folium.Map实例时通过tiles参数来指定。常见的选择包括：

• "OpenStreetMap": 默认，通用地图。
• "Stamen Terrain": 地形图，适合展示自然景观。
• "Stamen Toner": 黑白风格，非常适合突出数据点，让地图本身不抢镜。
• "Stamen Watercolor": 水彩风格，艺术感很强，但可能不适合所有数据。
• "CartoDB positron": 浅色调，简洁。
• "CartoDB dark_matter": 深色调，酷炫。

比如，你想用一个黑白风格的底图：

import folium

m = folium.Map(location=[39.9, 116.4], zoom_start=12, tiles="Stamen Toner")
folium.Marker(location=[39.9096045, 116.397228], popup="天安门").add_to(m)
m.save("tiananmen_toner_map.html")

更高级一点，如果你有自己的瓦片服务URL（比如公司内部的地图服务，或者某个特定的卫星影像服务），folium也支持自定义瓦片图层。这需要你提供瓦片服务的URL模板，通常会包含{z}/{x}/{y}这样的占位符，分别代表缩放级别、X坐标和Y坐标。你还可以指定图层的名称（name）、归属（attr）以及是否透明（overlay）。

import folium

m = folium.Map(location=[34.0522, -118.2437], zoom_start=10)

# 添加一个自定义的瓦片图层，这里以一个虚构的ArcGIS在线服务为例
# 实际使用时需要替换为有效的瓦片服务URL
folium.TileLayer(
    tiles='https://server.arcgisonline.com/ArcGIS/rest/services/World_Imagery/MapServer/tile/{z}/{y}/{x}',
    attr='Esri World Imagery',
    name='Esri Satellite',
    overlay=True,
    control=True
).add_to(m)

# 添加一个图层控制器，方便用户切换底图和叠加层
folium.LayerControl().add_to(m)

m.save("custom_tile_map.html")

通过folium.LayerControl()，你还能在地图上添加一个切换图层的控件，让用户可以根据自己的需求选择不同的底图或叠加层，这在展示多维度信息时尤其有用。这种灵活的底图管理，让我能够根据不同的数据展示需求，快速调整地图的视觉效果，这是我非常欣赏folium的一点。

folium地图如何实现热力图、等值线图等高级可视化？

除了点、线、面这些基础元素，folium通过其插件系统，能够实现一些更高级、更复杂的地理数据可视化，比如热力图（Heatmap）和等值线图（Choropleth）。这些图表能够直观地展示数据的密度或区域分布特征，非常适合进行数据分析和决策支持。

热力图

热力图常用于展示特定事件或现象的密度分布，比如犯罪热点、人口密度、出租车上下车点分布等。folium的plugins.HeatMap可以轻松实现这一点。你只需要提供一个包含经度、纬度和可选权重值（如果需要表示密度强度）的数据列表。

from folium.plugins import HeatMap
import folium
import numpy as np

m = folium.Map(location=[40.730610, -73.935242], zoom_start=12)

# 模拟一些纽约市的出租车上下车点数据
# 格式为 [纬度, 经度, 权重（可选）]
data = (
    np.random.normal(loc=[40.73, -73.93], scale=[0.02, 0.02], size=(1000, 2))
).tolist()

# 如果数据量很大，可以考虑只取一部分或者抽样
# data = data[:500]

HeatMap(data).add_to(m)

m.save("nyc_heatmap.html")

热力图的优点在于它能很好地概括数据分布的“热点”区域，即使是大量数据点也能保持清晰。我发现，对于那些需要一眼看出“哪里最集中”的场景，热力图几乎是完美的解决方案。

等值线图（Choropleth Map）

等值线图用于展示不同地理区域（如国家、省份、行政区）的某一统计量的分布情况，通过颜色深浅来表示数值的大小。这在社会经济、人口统计等领域非常常见。folium的folium.Choropleth方法是实现它的核心。

制作等值线图需要两部分数据：

1. 地理边界数据： 通常是GeoJSON格式，包含了每个区域的几何信息（多边形）。
2. 统计数据： 一个表格数据，包含了每个区域对应的统计值。

你需要将这两部分数据通过一个共同的ID字段进行关联。

import folium
import pandas as pd
import json

m = folium.Map(location=[37.0902, -95.7129], zoom_start=4)

# 假设你有一个GeoJSON文件，包含了美国各州的边界
# 实际使用时需要加载真实的GeoJSON文件
# with open('us_states.json', 'r', encoding='utf-8') as f:
#     states_geojson = json.load(f)

# 模拟一个简化的GeoJSON结构
states_geojson = {
    "type": "FeatureCollection",
    "features": [
        {"type": "Feature", "properties": {"name": "California", "id": "CA"}, "geometry": {"type": "Polygon", "coordinates": [[[-120, 35], [-122, 37], [-121, 39], [-118, 36], [-120, 35]]]}},
        {"type": "Feature", "properties": {"name": "Texas", "id": "TX"}, "geometry": {"type": "Polygon", "coordinates": [[[-103, 30], [-100, 32], [-97, 30], [-103, 30]]]}},
        # ... 更多州的简化几何
    ]
}


# 假设你有一个DataFrame，包含了各州的某个统计数据
data = {
    'id': ['CA', 'TX'],
    'value': [500, 300] # 模拟的统计值
}
df_data = pd.DataFrame(data)

folium.Choropleth(
    geo_data=states_geojson,
    name='choropleth',
    data=df_data,
    columns=['id', 'value'],
    key_on='feature.properties.id', # GeoJSON中用于匹配的字段
    fill_color='YlGn', # 颜色方案，例如 'YlGn', 'BuPu', 'RdPu'
    fill_opacity=0.7,
    line_opacity=0.2,
    legend_name='统计值分布'
).add_to(m)

folium.LayerControl().add_to(m) # 添加图层控制器

m.save("us_states_choropleth.html")

等值线图在展示区域性数据差异时非常有效，一眼就能看出哪个区域的数值高，哪个区域的数值低。不过，我个人觉得在选择颜色方案时要特别注意，确保颜色的渐变能够清晰地反映数值的差异，并且对于色盲用户也友好。有时候，过多的颜色分类反而会让人难以理解。这些高级的可视化功能，让folium不仅仅是一个简单的地图工具，更是一个强大的地理数据分析和展示平台。

以上就是本文的全部内容了，是否有顺利帮助你解决问题？若是能给你带来学习上的帮助，请大家多多支持golang学习网！更多关于文章的相关知识，也可关注golang学习网公众号。