企业官网建设流程全解析

地理信息可视化这个方向，我断断续续折腾了几年，从最早用桌面端软件出图，到后来转到代码驱动的工作流，中间踩过的坑能写满一个笔记本。这次想聊的是用 basemap 和 cartopy 配合 geopandas 来显示地图这件事，标题里带了个“03”，说明这是一个系列里的第三篇，前面大概率已经铺垫过环境搭建和基础绘图的内容，所以这篇我打算把重心放在“怎么把矢量数据和底图真正揉到一起”这个最让人头疼的环节上。

如果你手头有一份带地理坐标的表格数据，比如某类设施的分布点、某个区域的边界划分，想把它画到一张像样的地图上，那这套组合基本就是绕不开的路子。basemap 是老牌选手，cartopy 是它的接棒者，geopandas 则负责把矢量数据读进来、做空间运算。三者各管一段，配合好了能出很漂亮的图，配合不好就是一堆坐标系报错和空白画布。这篇文章适合已经能跑通基础绘图、但卡在“数据叠底图”这一步的朋友，也适合想系统理清这几个库分工的人。下面我按自己的实操顺序，把设计思路、核心细节、完整流程和排查经验一层层拆开讲。

1. 整体方案设计与选型思路拆解

1.1 为什么是这三个库的组合，而不是单一工具

先说清楚分工。geopandas 本质上是 pandas 的空间扩展，它把几何对象（点、线、面）塞进 DataFrame 里，让你能用处理表格的方式处理空间数据。它擅长的是数据读取、坐标转换、空间连接、裁剪这些“数据层”的活，但它本身不是绘图库，虽然它有个plot()方法能快速出图，可一旦你要叠加底图、加经纬网格、控制投影，它就力不从心了。

basemap 和 cartopy 都是“绘图层”的工具，负责把地图的骨架画出来——海岸线、国界、河流、地形底图这些。basemap 基于 matplotlib 早期生态，接口成熟但维护停滞，对新版本 Python 和依赖库的兼容性越来越差；cartopy 是后来者，投影系统设计更现代，和 matplotlib 的集成更干净，长期看是更稳妥的选择。标题里把两者并列，我的理解是：老项目里可能还在用 basemap，新项目建议直接上 cartopy，但两者的核心思路是相通的，都是“先定投影，再画要素，最后叠数据”。

那为什么不干脆用 geopandas 自带的绘图？因为它的plot()底层也是调 matplotlib，画出来的东西没有地理底图参照，读者根本不知道那块多边形在地球上哪个位置。地图可视化的价值一半在数据本身，一半在空间参照，缺了底图，信息量直接砍半。所以这个组合的逻辑是：geopandas 管数据，cartopy 管底图和投影，matplotlib 管最终渲染和样式微调，三者串起来才是一条完整的链路。

1.2 投影选择是整个流程的地基

我见过太多人上来就画图，结果数据位置全偏，回头排查半天发现是投影没统一。这里必须强调：地理坐标系（经纬度）和投影坐标系（平面米制）是两回事。geopandas 读进来的数据，crs属性可能是 EPSG:4326（WGS84 经纬度），而 cartopy 画图时需要指定一个投影对象，两者如果不匹配，数据就会飘到莫名其妙的位置。

我的习惯是：先看数据的原始 crs，再决定底图用什么投影。如果数据是全球尺度的，用 PlateCarree（等经纬度投影）最省事，虽然高纬度会变形，但胜在直观；如果是某个国家或区域尺度的，用 Albers 等积投影或者 Lambert 等角投影更合适，面积或形状至少有一个不失真；如果是极地数据，那就得上极射投影。选投影不是随便挑个好看的，而是要看你的数据要表达什么——强调面积对比就用等积，强调形状和方向就用等角，两者不可兼得，这是地图学的基本取舍。

实际操作里有个省事的做法：让 geopandas 的数据先统一到和 cartopy 投影一致的 crs 上，再传给绘图函数。具体就是gdf.to_crs(投影对应的epsg)，或者用 cartopy 的project_geometry做动态转换。前者适合数据量大、需要反复绘制的场景，后者适合临时探索。我一般倾向后者，因为不用改动原始数据，试错成本低。

1.3 数据分层与绘制顺序的考量

一张地图上的元素是有层级的，画的时候顺序错了，要么被盖住，要么压住别人。我的固定顺序是：底图（海洋、陆地填充）→ 行政边界或海岸线 → 面状数据（区域填充）→ 线状数据（道路、河流）→ 点状数据（设施位置）→ 标注和网格。这个顺序的逻辑是从“背景”到“前景”，从“大范围”到“小细节”，保证重要的信息始终在最上层。

geopandas 的plot()有个ax参数，可以把多次绘图叠加到同一个坐标轴上，这就是分层的技术基础。但要注意，每次调用plot()时如果zorder没设好，matplotlib 会按调用顺序叠，容易出现点被面盖住的情况。我的经验是显式给每层设zorder，底图 0，边界 1，面 2，线 3，点 4，标注 5，这样不管调用顺序怎么变，层级都是稳的。

2. 核心细节解析与实操要点

2.1 环境依赖的版本匹配问题

这套组合最烦人的地方不是代码逻辑，而是依赖版本。cartopy 依赖 GEOS、PROJ、Shapely 这几个底层库，geopandas 也依赖它们，版本对不上就是各种ImportError或者运行时崩溃。我踩过最典型的一次是 Shapely 2.0 升级后，老版本 geopandas 的某些空间运算直接报错，排查了半天才发现是 ABI 不兼容。

我的建议是：用 conda 而不是 pip 来装这套东西。conda 的包管理会帮你把底层二进制依赖一起解决，pip 装 cartopy 经常卡在编译 GEOS 上。具体命令大致是conda install -c conda-forge geopandas cartopy，走 conda-forge 渠道，版本更新更及时。装完之后用conda list核对一下 shapely、pyproj、geos 的版本，确保它们之间没有明显冲突。如果非要用 pip，那就先把 wheel 包下好，别让它现场编译。

还有一个隐藏的坑：matplotlib 的版本。cartopy 对 matplotlib 的某些 API 有依赖，版本太新或太旧都可能出问题。我一般锁一个中间版本，比如 3.7 或 3.8，太激进容易翻车。

2.2 坐标系转换的关键操作

前面提了投影的重要性，这里说具体操作。geopandas 的to_crs()是最常用的转换方法，参数可以是 EPSG 代码，也可以是 proj 字符串。比如把 WGS84 转成 Web Mercator，就是gdf.to_crs(epsg=3857)。但要注意，to_crs()只对几何列生效，属性列不动，转换后原来的经纬度列如果还在，会和几何列不一致，容易误导。我的做法是转换后把冗余的经纬度列删掉，或者明确标注哪列是原始坐标。

cartopy 这边，投影是用ccrs.XXX()创建的对象，比如ccrs.PlateCarree()、ccrs.AlbersEqualArea()。绘图时通过transform参数告诉 cartopy 这个数据是什么坐标系，它会自动做投影变换。这里有个容易混淆的点：transform指的是数据的坐标系，不是目标投影。目标投影是在创建GeoAxes时通过projection参数定的。很多人把这两个搞反，结果数据位置全乱。

我整理了一个对照表，方便快速查：

关键原则：transform填的是数据“现在是什么”，projection填的是“要画成什么”，两者可以不同，cartopy 负责中间的换算。

2.3 底图要素的精细控制

cartopy 的feature模块提供了各种底图要素，比如BORDERS（国界）、COASTLINE（海岸线）、RIVERS（河流）、LAKES（湖泊）。这些要素默认是粗粒度的，画全球图够用，画区域图就显得太糙。要精细控制，得用NaturalEarthFeature指定分辨率和类别，比如scale='10m'表示 1:1000 万精度，scale='50m'是 1:5000 万。分辨率越高，数据量越大，绘制越慢，这个要权衡。

另一个细节是要素的样式。feature对象可以传facecolor、edgecolor、linewidth这些参数，但有些要素（比如陆地填充）需要配合add_feature的zorder才能正确叠在海洋下面。我一般先画海洋填充（OCEAN），再画陆地填充（LAND），最后画边界线，这样层次最干净。

注意：NaturalEarthFeature第一次调用时会自动下载数据到本地缓存，如果网络环境不好会卡住。可以提前手动下载放到缓存目录，或者用cartopy.config['data_dir']指定一个已有数据的路径。

2.4 geopandas 数据预处理的三件事

数据进绘图函数之前，我必做三件事。第一是检查 crs 是否为空，有些 shapefile 读进来 crs 是 None，直接画会报错，得手动set_crs()。第二是处理无效几何，用gdf.is_valid检查，无效的用buffer(0)修复，否则某些空间运算会崩。第三是裁剪到绘图范围，如果数据覆盖范围远大于地图范围，不裁剪会拖慢渲染，用gdf.clip(边界框)或者按total_bounds过滤。

这三步看起来琐碎，但能省掉后面大量莫名其妙的报错。我吃过亏，一份数据里混了几个自相交的多边形，画图时直接抛异常，定位了半天才发现是几何无效。

3. 完整实操流程与关键环节实现

3.1 从零搭一个可复现的绘图脚本

下面这套流程是我反复用过的模板，改改参数就能套到别的项目上。先讲数据准备，再讲底图搭建，最后讲叠加和出图。

第一步，读数据。用gpd.read_file()读 shapefile 或 GeoJSON，读进来先打印gdf.crs和gdf.head()，确认坐标系和字段没问题。如果 crs 是 None，用gdf = gdf.set_crs(epsg=4326)补上。

第二步，建画布。用plt.subplots()创建 figure 和 axes，但 axes 要用projection参数指定 cartopy 投影，比如：

import matplotlib.pyplot as plt import cartopy.crs as ccrs fig, ax = plt.subplots(figsize=(10, 8), subplot_kw={'projection': ccrs.PlateCarree()})

这里figsize按输出需求定，出报告用 10x8 够清晰，出海报就放大到 16x12。

第三步，设范围。用ax.set_extent([经度min, 经度max, 纬度min, 纬度max], crs=ccrs.PlateCarree())框定地图范围。范围要比数据范围略大一圈，留点边距，不然数据贴着边框不好看。

第四步，加底图要素。先ax.add_feature(cfeature.OCEAN, zorder=0)，再ax.add_feature(cfeature.LAND, zorder=0)，然后ax.add_feature(cfeature.BORDERS, linewidth=0.5, zorder=1)。如果区域小，换成NaturalEarthFeature的高分辨率版本。

第五步，叠 geopandas 数据。面数据用gdf.plot(ax=ax, column='某字段', cmap='viridis', alpha=0.7, zorder=2, transform=ccrs.PlateCarree())，点数据用gdf.plot(ax=ax, markersize=20, color='red', zorder=4, transform=ccrs.PlateCarree())。column参数可以按字段值做颜色映射，cmap选配色方案，alpha控制透明度让底图透出来。

第六步，加网格和标注。用ax.gridlines(draw_labels=True, linewidth=0.3, color='gray', alpha=0.5)加经纬网格，draw_labels=True会自动标经纬度。标注文字用ax.text()逐个加，注意transform也要设对。

第七步，出图。plt.savefig('output.png', dpi=300, bbox_inches='tight')，dpi300 是印刷级，屏幕看 150 够用，bbox_inches='tight'去掉多余白边。

3.2 参数计算：范围框和分辨率的取舍

范围框的确定有个小技巧。假设数据经度范围是 100 到 120，纬度 20 到 40，直接设这个范围数据会贴边。我的做法是各方向外扩 5%，经度扩到 99 到 121，纬度扩到 19 到 41。计算就是min - (max-min)*0.05和max + (max-min)*0.05。这个 5% 是经验值，数据密集就扩少点，稀疏就扩多点。

分辨率的选择要看输出尺寸。如果出图宽度 3000 像素，地图跨度 20 度经度，那每度约 150 像素，1:1000 万精度（10m）的数据在这个尺度下细节足够，再高就是浪费。反过来，如果出图只有 800 像素宽，用 10m 数据反而会因为细节过多显得杂乱，50m 更合适。这个换算不用精确算，凭经验估就行，核心是“数据精度匹配输出精度”。

3.3 实操现场：一次完整的叠图记录

我拿一份模拟的设施分布点数据跑一遍。数据是 CSV，带经度纬度两列，先转成 GeoDataFrame：

import pandas as pd import geopandas as gpd from shapely.geometry import Point df = pd.read_csv('facilities.csv') geometry = [Point(xy) for xy in zip(df['lon'], df['lat'])] gdf = gpd.GeoDataFrame(df, geometry=geometry, crs='EPSG:4326')

转完之后检查gdf.crs确认是 4326。然后按前面的流程建画布、设范围、加底图。叠点的时候我用了column='capacity'做颜色映射，cmap='YlOrRd'，容量大的点偏红，小的偏黄，一眼能看出分布格局。

跑完第一版发现两个问题：一是底图的国界线太粗，压住了点；二是网格标签和地图边缘重叠。第一个问题把BORDERS的linewidth从默认调到 0.4 解决；第二个问题用ax.gridlines(draw_labels=True, x_inline=False, y_inline=False)让标签不内嵌，再配合plt.tight_layout()自动调整边距。改完第二版就干净了。

这个过程说明一个事：第一版图永远不完美，迭代是常态。别指望一次写对，先跑通再调样式，效率最高。

4. 常见问题与排查技巧实录

4.1 数据位置偏移的三种典型原因

数据画上去位置不对，是最常见的问题，原因基本逃不出三类。第一类是 crs 没设或设错，数据被当成经纬度直接画在投影坐标上，位置会偏到天边。排查方法：打印gdf.crs，和transform参数对比，不一致就转换。第二类是transform和projection搞反，前面说过，transform是数据坐标系，projection是目标投影，反了数据会扭曲。第三类是数据本身坐标就是错的，比如经纬度列顺序颠倒（lat 和 lon 写反），这种最隐蔽，得拿几个已知位置的点核对。

我整理了一个速查表：

4.2 渲染性能与内存问题

数据量大时，cartopy 画底图要素会非常慢，尤其是高分辨率的海岸线。我的优化手段有三个：一是降低底图分辨率，区域图用 50m 够用就别上 10m；二是把底图要素缓存成图片，下次直接贴图，不过这招牺牲了矢量清晰度；三是用ax.add_geometries()批量添加，比逐个add_feature快。geopandas 这边，数据超过几万条时，plot()会明显卡顿，可以先做空间聚合或抽样，或者用simplify()简化几何。

内存方面，cartopy 的投影变换会生成大量中间对象，图多了容易爆内存。我的习惯是每画完一张图就plt.close(fig)，别让 figure 对象堆积。

4.3 中文字体与标注乱码

地图上加中文标注，十有八九遇到方块乱码。原因是 matplotlib 默认字体不含中文。解决办法是显式指定中文字体：

plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False

SimHei是黑体，Windows 自带，Mac 上换成Arial Unicode MS或PingFang SC。unicode_minus那行是防止负号显示成方块。这个设置要在绘图前做，做完之后所有文字标注都正常。如果字体还是找不到，用matplotlib.font_manager查一下系统里有哪些中文字体，别硬猜名字。

提示：字体设置是全局的，如果同一脚本里要画多张风格不同的图，记得在切换时重置rcParams，不然会互相影响。

4.4 保存图片时的白边与裁切

savefig出来的图经常带一圈白边，或者边缘被裁掉。白边用bbox_inches='tight'解决，它会自动裁到内容边界。边缘被裁通常是set_extent的范围和 figure 比例不匹配，加plt.tight_layout()或者手动调subplots_adjust。还有一个坑是dpi设太高导致图片巨大，300 对印刷够用，再高文件体积翻倍但肉眼看不出差别。

这套流程我前后迭代了十几版，从最初画出来一片空白，到现在能稳定出图，中间的经验基本都写在上面的细节里了。最后分享一个我个人的习惯：每次画图前先把数据范围、投影、输出尺寸这三个参数写在脚本开头，当成配置项，改的时候一目了然，比散落在代码各处强得多。地图可视化这事，工具是死的，投影和数据的匹配是活的，把这两者的关系理顺了，剩下的就是调样式的水磨工夫。