Python地图绘制实战：Cartopy从入门到精通

1. 为什么我劝你用Python画地图，而不是打开绘图软件

很多人第一次接触地图绘制，脑子里蹦出来的工具是各种在线地图编辑器或者桌面端绘图软件。拖拖拽拽，点几下鼠标，一张图就出来了，看起来门槛极低。但只要你真正做过几个需要反复迭代的项目，就会发现这种“手搓”方式有个致命问题：不可复现。今天调好的配色、标注位置、图层顺序，明天换一台电脑或者换一个同事接手，全部得重来一遍。更别提数据一旦更新，所有手工操作都得推倒重做。

Python做地图绘制，解决的恰恰是这个问题。它把“画地图”这件事从手工劳动变成了代码逻辑。你写的每一行代码，都是对地图样式、数据来源、图层叠加规则的精确描述。这份描述可以版本管理、可以参数化、可以批量跑一百张不同区域的图。对于需要做区域数据分析、业务报表可视化、学术研究配图、物流路径展示的人来说，这套能力是刚需。

这篇文章面向的读者很明确：有基础Python语法知识，但没怎么碰过地理数据可视化的开发者或数据分析师。我会从最核心的库选型讲起，把每个参数背后的逻辑拆开，再给出一套可以直接复制运行的完整代码。源码我会直接嵌在文章里，你不需要去任何地方下载。看完之后，你应该能独立完成从数据准备到出图的全流程，并且知道每一步为什么这么做。

2. 地图绘制的核心工具链选型与底层逻辑

2.1 为什么是Matplotlib加Cartopy这套组合

Python生态里能画地图的库不少，但真正在生产环境里经得起折腾的，主流方案就两套：一套是Matplotlib + Cartopy，另一套是Folium + Leaflet。前者输出静态图，后者输出交互式网页地图。我选前者作为主线，原因有三个。

第一，静态图在报告和论文里的通用性更强。你不可能在PDF报告里嵌一个可交互的网页地图，但你可以嵌一张300dpi的高清PNG。第二，Cartopy对地图投影的支持非常完整，从常见的墨卡托投影到兰勃特等角圆锥投影，再到极地投影，都有现成的实现。第三，Matplotlib的定制能力极强，你想在地图上叠加散点、热力、等值线、比例尺、指北针，都可以用统一的API完成。

Folium当然也有它的场景，比如你需要做一个内部 dashboard 展示门店分布，交互式地图体验更好。但它的定制深度受限于Leaflet的JS生态，遇到复杂的投影变换或者自定义图例，往往要写一堆JavaScript回调，反而更麻烦。所以我的建议是：静态分析图用Cartopy，交互展示用Folium，两者不冲突。

2.2 Cartopy的投影系统到底在做什么

很多人第一次用Cartopy会被“投影”这个概念卡住。我用一个生活化的类比来解释：地球是个橘子，你想把橘子皮完整地摊平在一张桌子上，必然要经过拉伸、撕裂或者压缩。地图投影就是决定“怎么撕、怎么拉”的规则。

Cartopy里最常用的几个投影类，我列个表对比一下：

选投影的核心原则是：你的地图要表达什么信息。如果要看全球温度分布，PlateCarree就够了；如果要看某个省份的详细路网，LambertConformal更合适；如果要做一个“从太空看地球”的视觉效果，Orthographic是首选。

2.3 数据格式的坑：Shapefile、GeoJSON和NetCDF

地图数据格式五花八门，新手最容易在这里翻车。我简单梳理一下：

• Shapefile：最传统的地理矢量格式，一套文件包含.shp、.shx、.dbf等多个文件，缺一不可。优点是兼容性好，缺点是属性字段名有长度限制，中文支持差。
• GeoJSON：基于JSON的矢量格式，单文件，可读性好，适合Web传输和小规模数据。缺点是文件体积大，读取速度慢。
• NetCDF：科学数据常用格式，适合存储网格化数据（如气温、降水），支持多维数组。缺点是结构复杂，需要专门库读取。

我的经验是：矢量边界用Shapefile或GeoJSON，栅格数据用NetCDF或GeoTIFF。如果你从公开渠道下载数据，优先选GeoJSON，因为编码问题少。如果数据量很大，比如全国级别的路网，那就用Shapefile，读取效率更高。

3. 环境搭建与依赖安装的实操细节

3.1 用Conda而不是Pip来管理地理库

地理信息相关的Python库，依赖关系非常复杂。Cartopy底层依赖GEOS、PROJ、GDAL这些C++库，用Pip直接装，十有八九会卡在编译环节。我试过在三个不同系统上用Pip装Cartopy，只有一次成功，还是因为系统里已经预装了GDAL。

所以我的建议很明确：用Conda创建独立环境。命令如下：

conda create -n mapviz python=3.10 conda activate mapviz conda install -c conda-forge cartopy matplotlib numpy pandas shapely geopandas

这里有几个细节值得说。第一，-c conda-forge指定从conda-forge频道安装，这个频道的包更新更及时，依赖解析也更合理。第二，geopandas不是必须的，但它处理矢量数据比Cartopy自带的shapereader方便很多，建议一起装上。第三，Python版本选3.10而不是最新的3.12，因为部分地理库对3.12的支持还不完善，3.10是当前最稳的版本。

3.2 验证安装是否成功的三个检查点

装完之后别急着写代码，先做三个检查，能省掉后面很多排查时间。

第一个检查：导入Cartopy并打印版本。

import cartopy print(cartopy.__version__)

如果报错说找不到proj或者geos，说明底层C++库没装好，需要重新执行conda install -c conda-forge proj geos。

第二个检查：创建一个最简单的投影对象。

import cartopy.crs as ccrs proj = ccrs.PlateCarree() print(proj)

这一步能过，说明投影系统正常。

第三个检查：读取一个内置的边界数据。

import cartopy.feature as cfeature print(cfeature.COASTLINE)

如果这一步报网络错误，说明Cartopy在尝试下载自然地球数据。你可以手动下载后放到本地缓存目录，或者直接用cfeature.NaturalEarthFeature指定本地路径。

注意：Cartopy默认会从网络下载地图边界数据，第一次运行时会比较慢。如果你在离线环境工作，需要提前把数据下载好，放到~/.local/share/cartopy目录下。

4. 从零绘制一张区域地图的完整流程

4.1 数据准备：经纬度数据的清洗与格式化

假设你手里有一份CSV文件，记录了某区域内若干采样点的经纬度和数值。原始数据往往不干净，比如经度写成了字符串、纬度有缺失值、数值列混入了单位符号。在画图之前，必须先把数据整理成规整的二维数组。

我通常用Pandas做这一步：

import pandas as pd import numpy as np df = pd.read_csv('sample_points.csv') df.columns = ['lon', 'lat', 'value'] df['lon'] = pd.to_numeric(df['lon'], errors='coerce') df['lat'] = pd.to_numeric(df['lat'], errors='coerce') df['value'] = pd.to_numeric(df['value'], errors='coerce') df = df.dropna() df = df[(df['lon'] >= 70) & (df['lon'] <= 140)] df = df[(df['lat'] >= 15) & (df['lat'] <= 55)] print(f"有效数据点：{len(df)}")

这里有几个关键操作。pd.to_numeric配合errors='coerce'能把无法转换的值变成NaN，然后统一drop掉。经纬度范围过滤是为了排除明显错误的坐标，比如经度写成0或者纬度写成负数。这一步看起来简单，但实际项目中，至少30%的时间花在数据清洗上，地图画不出来，多半是数据有问题。

4.2 创建画布与投影对象

接下来创建画布。我习惯用plt.subplots而不是直接plt.figure，因为前者能更方便地控制子图布局和尺寸。

import matplotlib.pyplot as plt import cartopy.crs as ccrs import cartopy.feature as cfeature fig = plt.figure(figsize=(12, 8), dpi=150) ax = fig.add_subplot(1, 1, 1, projection=ccrs.LambertConformal( central_longitude=105, central_latitude=35, standard_parallels=(25, 47) )) ax.set_extent([75, 135, 18, 54], crs=ccrs.PlateCarree())

figsize的单位是英寸，dpi决定输出分辨率。12x8英寸配150dpi，输出图片大约是1800x1200像素，足够报告使用。LambertConformal的三个参数分别控制中央经线、中央纬线和标准纬线。中央经线选105度是因为它大致穿过中国中部，标准纬线选25和47是为了让变形最小的区域覆盖主要陆地。

set_extent的参数顺序是[经度最小值, 经度最大值, 纬度最小值, 纬度最大值]，注意这里的crs参数必须指定为PlateCarree，因为extent的数值是按经纬度给的，而画布用的是投影坐标。

4.3 添加地图要素：海岸线、国界、河流

Cartopy内置了几种常用的地理要素，直接调用即可：

ax.add_feature(cfeature.COASTLINE, linewidth=0.8, edgecolor='black') ax.add_feature(cfeature.BORDERS, linewidth=0.6, edgecolor='gray', linestyle='--') ax.add_feature(cfeature.RIVERS, linewidth=0.4, edgecolor='blue', alpha=0.6) ax.add_feature(cfeature.LAKES, facecolor='lightblue', edgecolor='blue', alpha=0.5)

这里有个经验：不要一次性把所有要素都加上。要素越多，渲染越慢，而且图面容易显得杂乱。我的习惯是：海岸线和国界必加，河流和湖泊按需添加。如果地图区域很小，比如只画一个城市，那国界和海岸线反而没必要。

另外，cfeature默认使用的是低分辨率数据，适合快速预览。如果要出版级精度，需要用NaturalEarthFeature指定'10m'分辨率：

from cartopy.feature import NaturalEarthFeature states = NaturalEarthFeature(category='cultural', name='admin_0_boundary_lines_land', scale='10m', facecolor='none') ax.add_feature(states, edgecolor='black', linewidth=0.8)

提示：10m分辨率的数据文件较大，第一次使用时会自动下载，建议在网络环境良好的情况下提前运行一次。

4.4 绘制散点与热力图：把数据映射到地图上

数据准备好了，地图底图也有了，接下来就是把数据点画上去。散点图是最直接的方式：

sc = ax.scatter(df['lon'], df['lat'], c=df['value'], cmap='RdYlBu_r', s=50, edgecolor='black', linewidth=0.5, transform=ccrs.PlateCarree(), zorder=5) cbar = plt.colorbar(sc, ax=ax, orientation='vertical', shrink=0.7, pad=0.05) cbar.set_label('观测值', fontsize=12)

这里的关键参数是transform=ccrs.PlateCarree()。它告诉Cartopy：我给的经纬度是原始经纬度，请自动转换到当前投影的坐标。如果不加这个参数，点会画到错误的位置。zorder=5确保散点图层在底图之上。cmap='RdYlBu_r'是一个从红到蓝的渐变色带，适合表达从高到低的数值变化。

如果数据点很密集，散点图会糊成一团，这时候可以考虑热力图或者等值线填充。热力图的实现稍微复杂一些，需要先做网格化插值：

from scipy.interpolate import griddata lon_grid = np.linspace(75, 135, 200) lat_grid = np.linspace(18, 54, 150) lon_mesh, lat_mesh = np.meshgrid(lon_grid, lat_grid) value_grid = griddata((df['lon'], df['lat']), df['value'], (lon_mesh, lat_mesh), method='cubic') cf = ax.contourf(lon_mesh, lat_mesh, value_grid, levels=15, cmap='RdYlBu_r', transform=ccrs.PlateCarree(), zorder=4)

griddata的method参数有三个选项：'nearest'最快但最粗糙，'linear'折中，'cubic'最平滑但计算量大。我一般先用'linear'预览，最终出图时换'cubic'。

4.5 添加比例尺、指北针和网格线

一张专业的地图，比例尺和指北针是加分项。Cartopy本身不直接提供比例尺，但可以用Matplotlib的AnchoredSizeBar来实现：

from matplotlib.offsetbox import AnchoredText scale_bar = AnchoredText('500 km', loc='lower right', pad=0.5, borderpad=0.3, prop=dict(size=10)) ax.add_artist(scale_bar)

指北针可以用一个简单的箭头标注：

ax.annotate('N', xy=(0.95, 0.92), xytext=(0.95, 0.85), xycoords='axes fraction', textcoords='axes fraction', arrowprops=dict(facecolor='black', width=2, headwidth=8), ha='center', fontsize=12, fontweight='bold')

网格线用gridlines方法：

gl = ax.gridlines(draw_labels=True, linewidth=0.5, color='gray', alpha=0.5, linestyle='--') gl.top_labels = False gl.right_labels = False gl.xlabel_style = {'size': 10} gl.ylabel_style = {'size': 10}

draw_labels=True会自动在图的边缘添加经纬度标签，top_labels和right_labels设为False是为了避免标签重复。

5. 常见报错与排查技巧实录

5.1 中文显示乱码的三种解决方案

Matplotlib默认字体不支持中文，地图标题或者图例里出现中文会变成方框。解决方案有三个层次：

第一，全局设置字体：

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

SimHei是Windows自带黑体，Mac上可以用Arial Unicode MS或者PingFang SC。axes.unicode_minus设为False是为了让负号正常显示。

第二，如果系统没有中文字体，可以手动指定字体文件路径：

from matplotlib.font_manager import FontProperties font = FontProperties(fname='/path/to/your/font.ttf') ax.set_title('区域分布图', fontproperties=font)

第三，如果只是个别标签需要中文，用fontproperties参数单独指定即可，不用改全局配置。

5.2 投影转换后坐标偏移的排查思路

有时候你会发现，明明数据点的经纬度是对的，画出来却偏了几百公里。这种情况九成是因为transform参数没设对。检查步骤：

1. 确认数据本身的经纬度是WGS84还是其他坐标系。如果是GCJ02或者BD09，需要先做坐标转换。
2. 确认scatter或contourf的transform参数是ccrs.PlateCarree()。
3. 确认set_extent的crs参数也是ccrs.PlateCarree()。

如果这三步都没问题，那可能是投影参数本身的问题。比如LambertConformal的central_longitude设错了，整个地图会旋转。我的经验是：先用PlateCarree画一遍，确认数据位置正确，再换投影。

5.3 渲染速度慢的优化策略

当数据点超过一万个，或者使用了10m精度的边界数据，出图速度会明显变慢。优化手段有几个：

• 降低dpi：预览时用72，出图时用150或300。
• 简化边界数据：用shapely的simplify方法对几何体做抽稀。
• 减少contourf的levels数量：15层和30层的视觉差异不大，但计算量差一倍。
• 关闭不必要的要素：比如河流、湖泊在区域图上可以省略。

我实测下来，一张包含5000个散点、10m国界、15层等值线的区域图，在普通笔记本上大约需要8到12秒。如果超过30秒，基本可以确定是数据精度过高或者投影计算太复杂。

5.4 常见问题速查表

6. 完整源码与参数注释

下面是一份可以直接运行的完整代码，我加了详细注释，你只需要把数据文件路径换成自己的即可。

import matplotlib.pyplot as plt import cartopy.crs as ccrs import cartopy.feature as cfeature import pandas as pd import numpy as np from scipy.interpolate import griddata # 设置中文字体 plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False # 读取数据 df = pd.read_csv('sample_points.csv') df.columns = ['lon', 'lat', 'value'] df = df.apply(pd.to_numeric, errors='coerce').dropna() df = df[(df['lon'] >= 75) & (df['lon'] <= 135)] df = df[(df['lat'] >= 18) & (df['lat'] <= 54)] # 创建画布和投影 fig = plt.figure(figsize=(12, 8), dpi=150) ax = fig.add_subplot(1, 1, 1, projection=ccrs.LambertConformal( central_longitude=105, central_latitude=35, standard_parallels=(25, 47) )) ax.set_extent([75, 135, 18, 54], crs=ccrs.PlateCarree()) # 添加地理要素 ax.add_feature(cfeature.COASTLINE, linewidth=0.8, edgecolor='black') ax.add_feature(cfeature.BORDERS, linewidth=0.6, edgecolor='gray', linestyle='--') ax.add_feature(cfeature.RIVERS, linewidth=0.4, edgecolor='blue', alpha=0.5) # 网格化插值 lon_grid = np.linspace(75, 135, 200) lat_grid = np.linspace(18, 54, 150) lon_mesh, lat_mesh = np.meshgrid(lon_grid, lat_grid) value_grid = griddata((df['lon'], df['lat']), df['value'], (lon_mesh, lat_mesh), method='cubic') # 绘制等值线填充 cf = ax.contourf(lon_mesh, lat_mesh, value_grid, levels=15, cmap='RdYlBu_r', transform=ccrs.PlateCarree(), zorder=4) cbar = plt.colorbar(cf, ax=ax, orientation='vertical', shrink=0.7, pad=0.05) cbar.set_label('观测值', fontsize=12) # 叠加散点 ax.scatter(df['lon'], df['lat'], c='black', s=8, alpha=0.6, transform=ccrs.PlateCarree(), zorder=5) # 添加网格线 gl = ax.gridlines(draw_labels=True, linewidth=0.5, color='gray', alpha=0.5, linestyle='--') gl.top_labels = False gl.right_labels = False # 添加指北针 ax.annotate('N', xy=(0.95, 0.92), xytext=(0.95, 0.85), xycoords='axes fraction', textcoords='axes fraction', arrowprops=dict(facecolor='black', width=2, headwidth=8), ha='center', fontsize=12, fontweight='bold') # 保存图片 plt.savefig('map_output.png', bbox_inches='tight', dpi=300) plt.show()

这份代码里，griddata的method='cubic'在数据点较少时可能会产生过冲，如果发现等值线出现异常极值，换成'linear'即可。bbox_inches='tight'能自动裁剪空白边缘，避免保存的图片周围有大片留白。

7. 进阶方向：从静态图到动态交互

静态地图能满足大部分报告需求，但如果你需要做数据探索或者内部工具，交互式地图是更好的选择。Folium的入门非常简单：

import folium m = folium.Map(location=[35, 105], zoom_start=4, tiles='OpenStreetMap') for _, row in df.iterrows(): folium.CircleMarker( location=[row['lat'], row['lon']], radius=5, color='red', fill=True, popup=f"值：{row['value']}" ).add_to(m) m.save('interactive_map.html')

这段代码会生成一个HTML文件，用浏览器打开就能看到可缩放、可点击的地图。popup参数支持HTML字符串，你可以嵌入表格、图片甚至图表。

另一个进阶方向是批量出图。如果你需要为30个省份各出一张图，手动改参数是不现实的。正确做法是把绘图逻辑封装成函数，用循环遍历省份列表，每次传入不同的set_extent范围和标题。这样半小时就能跑完30张图，而且样式完全统一。

我在实际项目里还遇到过一个需求：把地图和柱状图组合在一起，左边是区域分布，右边是数值排名。这种布局用plt.subplots的gridspec就能实现，核心思路是让地图轴和普通轴共享画布，但各自独立控制。

最后分享一个小技巧：如果你经常需要调整地图样式，可以把常用的配色、线宽、字体大小写成一个配置字典，放在单独的Python文件里。每次画图时导入这个配置，改样式只需要改一个地方，不用在几百行代码里翻找参数。这个习惯能帮你省下大量重复劳动的时间。