Python Plotly Express怎么快速生成地图热力图
本文详解如何使用 Python Plotly Express 快速生成地图热力图,涵盖 px.density_mapbox 核心参数、免 Token 瓦片底图配置、完整代码示例及避坑指南。
在 Python 中生成交互式地图热力图,最快捷高效的途径是使用 plotly.express 模块提供的 px.density_mapbox() 函数。你只需准备好包含经纬度与权重数值的数据表,直接传入坐标列名,并指定无需认证的开源底图样式(例如 open-street-map),即可在几行代码内渲染出支持平移、缩放和悬停查看的动态热力图。
一、快速上手:3 行核心代码生成热力图
Plotly 已经将复杂的底图瓦片拼接、空间投影转换以及核密度平滑算法封装在顶层 API 中。初次尝试时,可以直接使用 Pandas 构造样本数据并快速出图:
import plotly.express as px
import pandas as pd
# 准备测试数据:包含纬度 (lat)、经度 (lon) 和权重值 (val)
df = pd.DataFrame({
'lat': [39.9042, 39.9150, 39.9300, 39.8900, 39.9200],
'lon': [116.4074, 116.4180, 116.3950, 116.4200, 116.4000],
'val': [100, 75, 45, 90, 60]
})
# 调用 density_mapbox 快速生成热力图
fig = px.density_mapbox(
df,
lat='lat',
lon='lon',
z='val',
radius=20,
center=dict(lat=39.91, lon=116.41),
zoom=11,
mapbox_style="open-street-map"
)
# 展示交互图表
fig.show()
在这段代码中,fig.show() 会在本地浏览器或 Jupyter Notebook 中弹出可拖拽、可缩放的交互式地图,鼠标悬停在热力中心还能实时查看经纬度和权重数值。
二、核心参数与底层空间映射
很多初学者在调用 px.density_mapbox 时容易混淆参数或得到全屏色块。理解每个参数在空间画布中的具体映射是调优的关键:
- lat / lon(纬度与经度):指定经纬度列。注意纬度(latitude)取值范围通常在
-90到90,经度(longitude)取值范围在-180到180。千万不要将两者调转,否则坐标点会直接飞到公海或南北极。 - z(权重数值):可选参数。如果不传入
z,则默认按照点的空间分布频次(点密度)计算热度;如果传入z,热力核将以该字段的数值大小进行加权融合。 - radius(核半径):每个数据点在屏幕上的像素辐射半径。半径较小(如 5~10)适合密集海量散点;半径较大(如 20~40)能形成连贯平滑的光晕过渡效果。
- mapbox_style(底图瓦片源):底图样式,常用的免费免密底图有
"open-street-map"、"carto-positron"(浅色极简)和"carto-darkmatter"(深色酷炫)。 - center 与 zoom(视野锚定):
center=dict(lat=..., lon=...)用于定义地图打开时的中心点,zoom为初始缩放级别(0 级展示全球,10 级展示城市,15 级展示街区)。 - color_continuous_scale(颜色映射尺度):用于调整热力渐变配色方案,如
"Viridis"、"Hot"、"Plasma"或"Turbo"。
三、避免白屏:免 Token 常用底图风格推荐
Mapbox 官方提供的部分高级样式(如 "basic"、"streets"、"outdoors")需要注册 Mapbox 账号并申请访问密钥(Mapbox Access Token)。如果在没有配置 Token 的情况下直接使用这些样式,图表底图将呈现完全白屏状态。
在日常数据探索和内网交付场景中,推荐直接使用内置支持的免认证公开瓦片源:
| 参数取值 (mapbox_style) | 风格特点 | 是否需要 Token | 推荐应用场景 |
|---|---|---|---|
open-street-map |
道路信息丰富、地理标识全面 | 完全免费免密 | 需要参考详细街道、商圈位置的数据分析 |
carto-positron |
极简高雅、浅灰色低对比度 | 完全免费免密 | 报表汇报、突出鲜艳彩色热力团块的首选 |
carto-darkmatter |
深黑色暗黑风格 | 完全免费免密 | 大屏展示、夜间模式、科技感可视化 |
white-bg |
纯白背景、无任何地理边界瓦片 | 完全免费免密 | 仅关注点分布相对形态、不依赖地理道路的场景 |
mapbox_style="carto-positron"。它的背景色温适中,线条淡雅,能够最大限度衬托出热力图的色彩层次,避免复杂的底图文字干扰视觉判断。
四、完整实战:多城市样本点热力图脚本
以下示例构造了一批中国主要城市的综合指标分布点,展示了包括居中计算、自适应半径调节、自定义渐变色以及图表边距控制在内的完整配置范式:
import plotly.express as px
import pandas as pd
# 1. 模拟业务数据点
data = [
{"city": "北京市中心", "lat": 39.9042, "lon": 116.4074, "traffic": 980},
{"city": "北京朝阳区", "lat": 39.9219, "lon": 116.4431, "traffic": 850},
{"city": "北京海淀区", "lat": 39.9599, "lon": 116.2980, "traffic": 780},
{"city": "上海黄浦区", "lat": 31.2304, "lon": 121.4737, "traffic": 920},
{"city": "上海浦东新区", "lat": 31.2215, "lon": 121.5444, "traffic": 890},
{"city": "广州天河区", "lat": 23.1252, "lon": 113.3614, "traffic": 810},
{"city": "深圳南山区", "lat": 22.5329, "lon": 113.9303, "traffic": 870},
{"city": "成都锦江区", "lat": 30.6562, "lon": 104.0833, "traffic": 730},
{"city": "武汉武昌区", "lat": 30.5539, "lon": 114.3162, "traffic": 690},
]
df = pd.DataFrame(data)
# 2. 自动计算视图中心点
center_lat = df['lat'].mean()
center_lon = df['lon'].mean()
# 3. 创建热力图
fig = px.density_mapbox(
df,
lat='lat',
lon='lon',
z='traffic',
hover_name='city',
radius=25, # 核辐射半径
center=dict(lat=center_lat, lon=center_lon), # 居中在数据点均值位置
zoom=4, # 全国视野缩放级别
mapbox_style="carto-positron", # 浅色免密瓦片
color_continuous_scale="Viridis", # 高对比度配色
title="全国主要城市样本点人流密度热力图"
)
# 4. 微调图表边距,去除默认留白
fig.update_layout(
margin=dict(l=0, r=0, t=50, b=0),
title_font_size=18
)
# 5. 渲染展示或导出
fig.show()
# 若需保存为独立脱机网页,可使用:
# fig.write_html("traffic_heatmap.html")
五、方案选型:点密度热力图 vs 区域分级面图
在地理信息可视化中,很多用户常将“点密度热力图”与“按省份/城市填色的区域分级图”混淆。这两者在底层原理和适用场景上存在明显分工:
六、常见报错与避坑指南
在实际编码过程中,地图图表往往受到网络、环境与投影规则的影响。遇到问题时,可按以下清单快速排查:
lat、lon 或 z 为 NaN,可能会导致整张热力层渲染异常。务必在绘图前调用 df.dropna(subset=['lat', 'lon', 'z']) 清洗异常记录。
七、总结
使用 Python Plotly Express 快速构建地图热力图的核心路径非常清晰:首先规整好经纬度与权重字段,然后调用 px.density_mapbox() 并设置免密的 mapbox_style="open-street-map" 或 "carto-positron" 底图,最后通过调整 radius 和 zoom 参数得到满意的视觉效果。凭借 WebGL 硬件加速,这套方案即使在数万个坐标点下也能保持流畅平滑的交互体验。
免责声明:本文内容仅供参考,不代表本站观点。转载或引用请注明出处。









