上周朋友问我怎么把一堆乱糟糟的经纬度数据变成好看的地图热力图。我一开始觉得这事儿挺麻烦，要搭环境又要调包，但他那急切的眼神让我没法拒绝。既然大家都喜欢这种直观的地理分析，我就把这次实战的经历整理出来，希望能帮大家在geo分析代码分享的路上少走点弯路。咱们不整那些虚头巴脑的理论，直接上干货，照着做就能出图。

咱们先明确一个场景。假设你是一名运营，手里有一份过去一个月门店客流的时间地点记录。数据大概是这样的：每一行代表一次进店，包含经度、纬度、时间和消费金额。你的老板想看哪里是客流密集区，哪里是“冷区”，以便调整广告投放策略。这时候，普通的Excel表格就显笨拙了，我们需要的是geo分析代码分享里的核心手段：可视化。

第一步，清洗和准备数据。这步最繁琐，但也最关键。我拿到的原始数据里有不少空值，而且有些经纬度格式是字符串比如"116.40"，而不是浮点数。用Pandas处理的时候，记得先把类型转对。

import pandas as pd

import folium

读取数据

df = pd.read_csv('store_data.csv')

确保经纬度是数值型

df['longitude'] = pd.to_numeric(df['longitude'], errors='coerce')

df['latitude'] = pd.to_numeric(df['latitude'], errors='coerce')

去除无效数据

df = df.dropna(subset=['latitude', 'longitude'])

这里有个小细节，我后来才发现，有些老旧数据里经度写反了，比如北京的经纬度是（116, 39），有人写成了（39, 116）。如果不检查直接画图，你会看到一大团数据飘在太平洋上。我当时就被坑了一次，找了好半天原因，最后发现是数据录入时的笔误。所以检查数据分布非常重要，别嫌麻烦。

第二步，选择可视化工具。市面上很多，但我推荐folium，因为它基于Leaflet.js，生成的图片是交互式的HTML，能放大缩小，体验很好，而且不需要深厚的前端基础。对于geo分析代码分享的初学者来说，上手最快。

map = folium.Map(location=[39.9042, 116.4074], zoom_start=12)

第三步，生成标记并保存。我们可以用Marker或者CircleMarker来展示点位。如果数据量特别大，比如上万条，直接画点会糊成一片，这时候可以考虑加聚类或者调整透明度。

folium.Marker(

location=[df.loc[0, 'latitude'], df.loc[0, 'longitude']],

popup='第1个点位',

icon=folium.Icon(color='green')

).add_to(map)

循环添加所有点位，或者使用HeatMap模块更直观

from folium.plugins import HeatMap

heat_data = df[['latitude', 'longitude']].values.tolist()

HeatMap(heat_data).add_to(map)

map.save('heatmap.html')

运行这行代码后，你会在目录下得到一个HTML文件。打开它，你会发现红色的热力斑块清晰地标出了高客流区域。看着那些红色的聚集点，我脑子里已经构思出两篇针对不同商圈的推文文案了。这就是代码带来的价值，它不只是输出一个图表，而是帮你洞察背后的业务逻辑。

当然，这个过程不会一帆风顺。我朋友在试的时候，遇到一个报错，说是ModuleNotFoundError。这是因为没安装folium库，或者版本不兼容。还有次，我生成的地图显示位置偏移，后来查资料才知道，国内地图坐标有国测局加密标准，直接用WGS84坐标可能会偏差几百米。如果是对精度要求极高的项目，记得加上纠偏步骤，或者接入高德、百度的API。这一点，很多教程里写得含糊其辞，容易让人踩坑。

总的来说，geo分析代码分享不仅仅是给出一段代码，更是一种思维方式的转变。从枯燥的数字到直观的地图，中间隔着的是你对数据的理解和细节的把控。当你看到数据变成有温度的图像时，那种成就感是无与伦比的。希望这篇教程能帮到你，如果在实际操作中遇到其他小问题，比如代码报错或者样式调整，可以在评论区留言，咱们一起探讨。毕竟，技术交流的意义就在于互相借鉴，避免重复造轮子。记住，代码是用来解决问题的，不是用来炫技的，实用才是硬道理。虽然过程中可能有点小插曲，但解决后的豁然开朗，正是编程的魅力所在。