上个月接了个急活，帮一家本地生活服务商处理用户打卡数据。他们手头有一堆从App后台导出的用户经纬度，大概五十万条，说是用来做热力图分析，搞个“用户活跃地图给我看看”。老板拍胸脯保证数据很干净，结果我打开文件一看，好家伙，直接给我整不会了。

这根本不是什么高质量数据，简直是“灾难现场”。有的坐标飘到了太平洋中心，有的在非洲大草原上跳舞，还有的用户位置显示他在珠穆朗玛峰上吃火锅。这种数据要是直接扔进GIS软件里出图，那画面太美我不敢看。我也不是第一次碰到这种脏数据了，但这次真的让我血压飙升。很多同行觉得搞GIS就是画画图，其实大头功夫全在数据清洗上。如果不把脏数据剔除干净，后面所有的分析都是扯淡。

我先试着用常规的方法去重，结果发现很多重复记录不仅仅是经纬度完全一致。比如，同一个用户在同一栋写字楼上班，可能每分钟都会上传一次位置，坐标微调个几米。如果简单地根据经纬度去重，那这几万个点就只剩一个了，但这显然是不合理的，因为这忽略了时间维度上的移动轨迹。这时候我就意识到，必须引入更细颗粒度的清洗逻辑。

第一步，坐标合法性校验。这一步最关键，也是最容易被忽略的。我写了一个简单的Python脚本，把那些明显错误的坐标挑出来。比如纬度超出-90到90，经度超出-180到180，或者经纬度为0,0这种默认值的。这部分数据大概占了3%。还有个坑是，有些老旧系统存的坐标系是WGS84，有些是GCJ-02（火星坐标），甚至还有BD-09。混在一起用，地图上直接乱飞。我们这里统一转成了标准的WGS84坐标系，这是目前地图服务最通用的标准，不管是百度、高德还是Google，转过去都能对上号。

第二步，时空离群点过滤。这是最头疼的部分。很多人不知道，GPS信号在有高楼遮挡或者地下室信号弱的时候，漂移是非常严重的。我之前遇到一个案例，一个在北京朝阳区的用户，突然显示他在上海浦东新区。这种“瞬移”数据如果不删掉，整个轨迹分析就废了。我的做法不是简单看坐标差，而是结合时间戳。如果两个连续点的距离超过一定阈值（比如汽车最高时速对应的那个距离），且时间间隔极短，那大概率就是误差。我把这些异常点标记出来后，通过插值或者剔除的方式处理掉了。这一步手动确认花了我半天时间，因为算法总会误伤一些真的在快速移动的情况，比如骑自行车或者坐高铁的人。

第三步，边界检查与去噪。最后一步是把坐标限制在我们业务关注的地理范围内。比如我们只关心北京市区的活跃情况，那那些溢出四环之外的郊区数据，虽然物理上是合法的，但在业务逻辑上可能就没太大价值，或者是噪声。我把这些点清理掉后，发现数据量从五十万降到了四十万出头，但剩下的每一条都是实打实的有价值的信息。

做完这一套，我再把数据扔进热力图软件里，那叫一个丝滑。蓝色的热力点分布均匀，覆盖了主要的商圈和住宅区，没有任何奇怪的孤岛或大片空白。老板看了一眼，当场点头说这次终于像个样子了。

这次经历让我深刻体会到，geo数据集清洗真的不是简单的删删改改，它是一场与不确定性博弈的过程。你需要懂一点地理常识，懂一点统计逻辑，还得有足够的耐心去处理那些细碎的异常值。很多新手做数据分析，总想着直接上模型，却忘了地基打歪了，楼盖得越高越容易塌。如果你也在头疼数据不准、地图报错的问题，不妨回头看看你的数据源头，也许清洗才是那个被低估的提效关键。这活儿虽脏，但能看出一个人的基本功扎不扎实。希望这些踩坑换来的经验，能帮你在处理地理数据时少走点弯路，早点下班。毕竟，盯着那些乱码一样的坐标看久了，眼睛真的会瞎，头发也会掉。