Python POI 概述与技术体系
Python POI(Point of Interest,兴趣点)是地理信息系统(GIS)与现代编程技术深度融合的前沿方向,已成为位置服务(LBS)、智慧城市、位置智能(Location Intelligence)领域的关键技术基础设施。POI泛指具有地理坐标的实体对象,包括餐厅、加油站、医院、学校、商场、交通枢纽等,其数据结构通常包含名称、类别、坐标(经纬度)、地址、电话、营业时间、评分、图片链接等属性字段。在大数据与人工智能时代,POI数据作为地理空间信息的“原子单元”,其价值已从静态地图标注拓展至实时交通分析、消费行为建模、城市功能区识别、应急响应路径优化等动态决策场景。
相较于传统GIS平台(如ArcGIS、QGIS)依赖图形界面与桌面环境,Python POI技术栈以编程方式实现高度自动化、可重复、可扩展的数据处理流程,尤其适用于需要处理海量POI数据(百万级甚至十亿级)的互联网企业、研究机构与政府平台。其核心优势在于:①开源生态完善,覆盖数据获取、清洗、分析、可视化全流程;②与机器学习框架(如scikit-learn、TensorFlow)无缝集成,支持空间特征工程;③支持分布式计算框架(如Dask、PySpark),应对大数据挑战;④具备强大的地理空间计算能力(通过geopandas、shapely等库)。
技术体系可划分为五大模块:数据采集层(API调用、网页爬取、开源数据下载)、数据清洗层(坐标系转换、重复去重、属性补全)、空间建模层(缓冲区分析、邻近度计算、空间聚类)、分析决策层(服务覆盖评估、竞争格局分析、时空模式挖掘)、可视化表达层(热力图、 choropleth图、交互式地图)。例如,某出行平台利用Python POI技术每日处理超2000万条POI更新请求,通过地理编码服务将用户输入的模糊地址(如“北京中关村附近”)精准转换为坐标(39.9834,116.3222),再结合实时交通数据计算最优路径,服务日均请求超5亿次。
值得注意的是,POI数据质量高度依赖数据源可靠性与清洗策略。以高德地图API为例,其POI数据覆盖率达98%以上(中国主要城市),但部分小商户存在重复录入或地址错误;百度地图在移动端POI采集频率更高(更新周期约7天),但存在部分POI类别标注偏差;而OpenStreetMap(OSM)作为社区驱动项目,数据完整性高(尤其在欧美地区),但中国区域数据密度较低,需结合本土数据源进行补全。因此,Python POI工程师需掌握多源数据融合技术,通过交叉验证、机器学习分类(如利用POI名称、图片特征训练分类模型)提升数据可信度。
核心工具库全景图
| 工具库 | 主要功能 | 典型应用场景 |
|---|---|---|
requests | HTTP请求处理 | 调用高德/百度API获取POI数据 |
geopy | 地理编码与距离计算 | 地址→坐标转换、两点间球面距离 |
geopandas | 空间数据处理 | POI缓冲区分析、空间连接(Spatial Join) |
folium | 交互式地图可视化 | 生成HTML热力图、集群图、路线图 |
osmnx | OSM数据获取与分析 | 下载城市路网、计算街道密度、POI邻近度分析 |
pandas-geospatial | POI空间聚类与密度计算 | Density-based聚类(DBSCAN)、网格聚合 |
matplotlib/seaborn | 静态图表绘制 | POI分布直方图、时间序列趋势图 |
scikit-learn | 机器学习建模 | POI分类(餐饮/零售/医疗)、异常点检测 |
POI数据源获取技术详解
POI数据获取是整个流程的起点,其质量直接影响后续分析结果。主流数据源可分为三类:商业API服务、开源地理数据库、网页爬虫采集。每类方案均有其适用场景,需根据预算、数据范围、更新频率、法律合规性综合选择。
商业API服务:高精度与高可用性
高德地图开放平台、百度地图开放平台、腾讯位置服务等提供标准化POI检索API,支持按关键词、类别、坐标半径、行政区域等条件查询。以高德API为例,其POI检索接口(/place/text)支持200+类别编码(如餐饮=050100、医院=090200),单次请求返回最多20条记录,可通过“page”参数分页获取全部结果。典型请求示例如下:
https://restapi.amap.com/v3/place/text?keywords=医院&location=116.397499,39.90923&radius=5000&output=json&key=YOUR_API_KEY
返回结果包含POI的名称、坐标(经纬度)、地址、电话、营业时间、评分、图片链接等字段。需特别注意:高德API对坐标系有明确要求——输入输出坐标必须为GCJ-02(火星坐标系),若需转换为WGS-84(GPS坐标系),需调用其坐标转换API或使用geopy库内置算法。
百度地图API与高德API对比
| 特性 | 高德地图API | 百度地图API |
|---|---|---|
| 坐标系要求 | GCJ-02(输入/输出) | BD-09(输入/输出) |
| 免费额度(月) | 50万次 | 60万次 |
| POI类别数量 | 200+(三级分类) | 180+(四级分类) |
| 数据更新频率 | 每周1次 | 3天1次 |
| 中国农村区域覆盖率 | 较高(约95%) | 中等(约85%) |
| 国际POI覆盖 | 有限(主要城市) | 较弱 |
企业级应用中,常采用“主数据源+备用数据源”策略:以高德API为主,百度API为辅。当高德API请求失败时,自动切换至百度服务,确保数据获取连续性。例如,某外卖平台通过双源校验机制,将POI地址匹配准确率从92.3%提升至99.1%。实现代码示例如下:
def fetch_poi_with_fallback(keyword, location, radius):
for api in ['amap', 'baidu']:
try:
if api == 'amap':
url = f"https://restapi.amap.com/v3/place/text?keywords={keyword}&location={location}&radius={radius}&key=KEY1"
response = requests.get(url).json()
pois = response['pois']
else:
url = f"http://api.map.baidu.com/place/v2/search?query={keyword}&location={location}&radius={radius}&ak=KEY2"
response = requests.get(url).json()
pois = [convert_bd09_to_gcj02(p) for p in response['results']] # 坐标系转换
return pois
except Exception as e:
print(f"{api} API failed: {e}")
return []
开源地理数据库:OSM数据深度挖掘
OpenStreetMap(OSM)是全球最大的协作式地理数据库,其POI数据以XML/JSON格式提供,覆盖全球超2亿个兴趣点。OSM数据具有开放、免费、可定制等优势,但需注意:中国区域数据密度较低(尤其农村地区),且部分POI缺少关键属性(如电话、营业时间)。获取OSM数据可通过两种方式:①直接下载国家/城市级数据快照(如Geofabrik提供);②使用osmnx库动态查询指定区域。
以osmnx为例,其osm_pois_from_place函数可按城市名称下载POI数据,返回GeoDataFrame格式。示例代码:
import osmnx as ox
import pandas as pd
# 下载成都市POI数据(餐饮类)
places = ox.osm_pois_from_place('Chengdu, China', which='amenity=restaurant')
# 提取关键字段
df = places[['name', 'amenity', 'cuisine', 'addr', 'geometry']]
df.head()
返回数据包含POI名称、类别(amenity=restaurant)、菜系(cuisine=sichuan)、地址、几何对象(Point)。值得注意的是,OSM数据的坐标系为WGS-84(EPSG:4326),若需与其他GCJ-02数据融合,必须进行坐标转换。可使用geopy库的transform函数:
from geopy import transform
def gcj02_to_wgs84(gcj_lat, gcj_lon):
# 使用高德提供的转换算法
return transform(gcj_lat, gcj_lon, 'GCJ-02', 'WGS-84')
网页爬虫:应对API限制的补充方案
当商业API额度不足或OSM数据缺失时,可采用网页爬虫采集POI信息。典型场景包括:采集大众点评餐厅列表、美团酒店详情、58同城商铺信息等。需注意法律风险——根据《网络安全法》及平台Robots协议,禁止高频爬取、绕过反爬机制(如验证码、IP封禁)。合规方案包括:①设置合理请求间隔(≥2秒/次);②使用代理IP池;③模拟真实用户行为(User-Agent轮换)。
以大众点评“火锅”类POI爬取为例,关键步骤如下:
- 分析网页结构:通过Chrome开发者工具定位POI列表页的JSON数据接口(如
https://apimobile.meituan.com/group/v4/poi/pcsearch/pc) - 构造请求参数:包含城市ID、关键词、排序方式、偏移量(分页)
- 解析返回数据:提取POI名称、地址、坐标、评分、价格等字段
- 存储与清洗:存入MongoDB,过滤重复项(基于坐标+名称哈希)
大众点评POI爬取代码片段
import requests
import json
import hashlib
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36',
'Referer': 'https://cd.dianping.com/search/deal/2'
}
def crawl_dianping(city_id, keyword, offset):
url = f"https://apimobile.meituan.com/group/v4/poi/pcsearch/pc?uuid=xxx&csrf=xxx&cityid={city_id}&keyword={keyword}&offset={offset}&limit=15"
response = requests.get(url, headers=headers)
data = response.json()
pois = []
for item in data['data']['searchResult']:
poi = {
'name': item['title'],
'address': item['address'],
'lat': item['lat'],
'lng': item['lng'],
'avg_score': item['avgScore'],
'price': item['avgPrice']
}
pois.append(poi)
return pois
# 存储并去重
def save_pois(pois):
seen = set()
with open('pois.json', 'a', encoding='utf-8') as f:
for poi in pois:
key = hashlib.md5(f"{poi['lat']}{poi['lng']}{poi['name']}".encode()).hexdigest()
if key not in seen:
seen.add(key)
json.dump(poi, f, ensure_ascii=False)
f.write('\n')
数据质量评估指标
获取POI数据后,需进行质量校验,确保后续分析可靠性。常用指标包括:
- 坐标精度:与高德基准坐标对比均方根误差(RMSE),优质数据RMSE应<0.001°(约100米)
- 属性完整性:关键字段(名称、坐标、地址)缺失率,目标值<5%
- 类别一致性:通过NLP模型识别POI名称关键词,验证类别标注准确性(如“火锅”应归类为餐饮)
- 空间连续性:在城市网格中统计POI分布密度,识别异常稀疏区域(可能数据缺失)
POI数据清洗与标准化
原始POI数据普遍存在噪声、冗余、格式不一致等问题,需通过系统化清洗流程提升数据质量。典型清洗步骤包括坐标系转换、重复记录去重、属性补全、地址标准化、异常值处理。
坐标系转换:统一空间基准
中国境内地图服务采用不同坐标系:高德/腾讯使用GCJ-02(火星坐标系),百度使用BD-09,国际GPS设备使用WGS-84。三者转换关系如下:
- WGS-84 → GCJ-02:高德/腾讯API输入要求
- GCJ-02 → WGS-84:需反向加密算法(非官方,存在微小误差)
- GCJ-02 ↔ BD-09:百度坐标需先转GCJ-02再转WGS-84
坐标系转换Python实现
import math
PI = 3.14159265358979324
a = 6378245.0
ee = 0.00669342162296594323
def wgs84_to_gcj02(lat, lon):
if out_of_china(lat, lon):
return lat, lon
dlat = transform_lat(lon - 105.0, lat - 35.0)
dlon = transform_lon(lon - 105.0, lat - 35.0)
radlat = lat / 180.0 * PI
magic = math.sin(radlat)
magic = 1 - ee * magic * magic
sqrtmagic = math.sqrt(magic)
dlat = (dlat * 180.0) / ((a * (1 - ee)) / (magic * sqrtmagic) * PI)
dlon = (dlon * 180.0) / (a / sqrtmagic * math.cos(radlat) * PI)
mglat = lat + dlat
mglon = lon + dlon
return mglat, mglon
def gcj02_to_wgs84(gcj_lat, gcj_lon):
if out_of_china(gcj_lat, gcj_lon):
return gcj_lat, gcj_lon
dlat = transform_lat(gcj_lon - 105.0, gcj_lat - 35.0)
dlon = transform_lon(gcj_lon - 105.0, gcj_lat - 35.0)
radlat = gcj_lat / 180.0 * PI
magic = math.sin(radlat)
magic = 1 - ee * magic * magic
sqrtmagic = math.sqrt(magic)
dlat = (dlat * 180.0) / ((a * (1 - ee)) / (magic * sqrtmagic) * PI)
dlon = (dlon * 180.0) / (a / sqrtmagic * math.cos(radlat) * PI)
mglat = gcj_lat + dlat
mglon = gcj_lon + dlon
return gcj_lat * 2 - mglat, gcj_lon * 2 - mglon
def out_of_china(lat, lon):
return not (73.66 < lon < 135.05 and 3.86 < lat < 53.55)
def transform_lat(x, y):
ret = -100.0 + 2.0 * x + 3.0 * y + 0.2 * y * y + 0.1 * x * y + 0.2 * math.sqrt(abs(x))
ret += (20.0 * math.sin(6.0 * x * PI) + 20.0 * math.sin(2.0 * x * PI)) / 2.0
ret += (20.0 * math.sin(y * PI) + 40.0 * math.sin(y / 3.0 * PI)) / 2.0
ret += (160.0 * math.sin(y / 12.0 * PI) + 320 * math.sin(y * PI / 30.0)) / 2.0
return ret
def transform_lon(x, y):
ret = 300.0 + x + 2.0 * y + 0.1 * x * x + 0.1 * x * y + 0.1 * math.sqrt(abs(x))
ret += (20.0 * math.sin(6.0 * x * PI) + 20.0 * math.sin(2.0 * x * PI)) / 2.0
ret += (20.0 * math.sin(x * PI) + 40.0 * math.sin(x / 3.0 * PI)) / 2.0
ret += (150.0 * math.sin(x / 12.0 * PI) + 300.0 * math.sin(x / 30.0 * PI)) / 2.0
return ret
重复记录去重:空间与属性双重校验
POI重复问题常见于多源数据合并场景(如同时下载高德与百度数据),需结合空间位置与属性信息去重。常用策略包括:
- 空间聚类去重:以20米为半径建立缓冲区,将坐标距离<20米的POI视为同一实体
- 属性相似度匹配:计算名称编辑距离(Levenshtein Distance)、地址关键词重合率
- 优先级合并:保留数据源权重更高的记录(如高德 > 百度 > OSM)
空间聚类去重代码(DBSCAN)
import pandas as pd
from sklearn.cluster import DBSCAN
from geopy.distance import geodesic
def deduplicate_pois(df, eps=0.0002, min_samples=2):
# eps=0.0002度 ≈ 22米(赤道附近)
coords = df[['lng', 'lat']].values
db = DBSCAN(eps=eps, min_samples=min_samples, metric='euclidean')
labels = db.fit_predict(coords)
# 对每个聚类保留数据源权重最高的POI
df['label'] = labels
priority = {'amap': 1, 'baidu': 2, 'osm': 3}
df['priority'] = df['source'].map(priority)
# 分组聚合
result = df.groupby('label').apply(
lambda x: x.loc[x['priority'].idxmin()]
).reset_index(drop=True)
return result.drop(columns=['label', 'priority'])
地址标准化:结构化表达地理信息
原始地址字段(如“北京市海淀区中关村大街1号”)缺乏结构化信息,需拆分为省、市、区、街道、门牌号等字段。可采用两种方案:
- 规则匹配:基于正则表达式提取行政区划关键词(如“省”“市”“区”“街道”)
- API调用:调用高德/百度的地址解析API(
/place/geo),获取结构化地址信息
地址结构化提取示例
| 原始地址 | 省 | 市 | 区 | 街道 | 门牌号 |
|---|---|---|---|---|---|
| 北京市海淀区中关村大街1号 | 北京市 | 北京市 | 海淀区 | 中关村大街 | 1号 |
| 上海市浦东新区张杨路588号 | 上海市 | 上海市 | 浦东新区 | 张杨路 | 588号 |
| 成都市武侯区人民南路四段11号 | 四川省 | 成都市 | 武侯区 | 人民南路四段 | 11号 |
异常值检测:识别地理噪声
POI数据中常出现坐标错误(如落入海洋)、地址缺失、类别矛盾等异常。检测方法包括:
- 坐标范围过滤:中国经纬度范围(73°E~135°E, 3°N~53°N)
- 属性逻辑校验:如“加油站”POI的“营业时间”字段为空
- 空间离群点检测:使用Isolation Forest算法识别坐标离群POI
离群点检测代码(Isolation Forest)
from sklearn.ensemble import IsolationForest
import numpy as np
def detect_outliers(df, features=['lat', 'lng'], contamination=0.01):
model = IsolationForest(contamination=contamination, random_state=42)
X = df[features].values
predictions = model.fit_predict(X)
df['is_outlier'] = (predictions == -1).astype(int)
return df
POI空间分析与建模技术
POI数据的价值在于其空间属性,通过空间分析可挖掘隐藏的地理模式与关联关系。核心分析方法包括缓冲区分析、邻近度计算、空间聚类、服务覆盖评估、时空模式挖掘。
缓冲区分析:定义服务影响范围
缓冲区(Buffer)是POI分析的基础操作,用于表示某POI的服务覆盖区域。例如,医院500米缓冲区代表其急诊服务范围,学校800米缓冲区对应学区划分依据。使用geopandas实现缓冲区生成:
缓冲区生成代码
import geopandas as gpd
from shapely.geometry import Point
from shapely.ops import unary_union
# 创建POI GeoDataFrame
geometry = [Point(116.397499, 39.90923), Point(116.4035, 39.9123)]
pois = gpd.GeoDataFrame({'name': ['医院A', '医院B'], 'geometry': geometry}, crs='EPSG:4326')
# 转换为投影坐标系(单位:米)
pois = pois.to_crs('EPSG:32650') # UTM Zone 50N
# 生成500米缓冲区
pois['buffer_500m'] = pois.geometry.buffer(500)
# 合并重叠缓冲区(计算总服务面积)
merged_buffer = unary_union(pois['buffer_500m'])
# 计算面积(平方公里)
total_area = merged_buffer.area / 1e6
print(f"总服务覆盖面积:{total_area:.2f} km²")
邻近度计算:服务匹配与竞争评估
分析POI间的空间关系是商业决策的关键。例如,评估某区域餐饮密度是否合理(每平方公里餐厅数)、判断新店选址是否与竞品距离过近。常用指标包括:
- 最近邻距离:每个POI到其最近同类POI的距离
- 服务密度:单位面积内POI数量(POI/km²)
- 竞争指数:基于距离加权的同类POI数量(近处POI权重更高)
最近邻距离计算
from sklearn.neighbors import NearestNeighbors
import numpy as np
def nearest_neighbor_distance(pois_df, k=1):
coords = pois_df[['lat', 'lng']].values
# 转换为弧度制(球面距离计算)
coords_rad = np.radians(coords)
# 使用球面距离(Haversine)
nn = NearestNeighbors(n_neighbors=k+1, metric='haversine')
nn.fit(coords_rad)
distances, indices = nn.kneighbors(coords_rad)
# 距离单位:弧度 → 千米(地球半径6371km)
distances_km = distances[:, 1:] * 6371 # 排除自身
pois_df['nearest_dist_km'] = distances_km.mean(axis=1)
return pois_df
空间聚类:识别POI热点区域
通过聚类算法可自动发现POI密集区域(如商圈、产业园区),为城市规划提供依据。常用算法包括:
- DBSCAN:基于密度的聚类,无需预设簇数量,可识别噪声点
- K-Means:需预设簇数量,适用于均匀分布场景
- HDBSCAN:DBSCAN的增强版,支持多尺度聚类
DBSCAN聚类识别商圈
from sklearn.cluster import DBSCAN
import pandas as pd
# 加载POI数据
df = pd.read_csv('pois.csv') # 包含lat, lng字段
# 坐标转换为弧度
coords = np.radians(df[['lat', 'lng']].values)
# DBSCAN聚类(eps=0.001弧度≈70米)
db = DBSCAN(eps=0.001, min_samples=10, metric='haversine')
clusters = db.fit_predict(coords)
# 添加聚类标签
df['cluster'] = clusters
# 过滤噪声点(cluster=-1)
business_zones = df[df['cluster'] >= 0].copy()
# 计算每个簇的中心点(平均坐标)
centers = business_zones.groupby('cluster')[['lat', 'lng']].mean().reset_index()
服务覆盖评估:设施可达性分析
评估公共服务设施(医院、学校、公园)的覆盖公平性是智慧城市的重要指标。常用方法包括:
- 服务半径法:以设施为中心,按交通时间(步行/驾车)划分服务范围
- 重力模型:设施吸引力 = POI数量 × 1/距离²,量化居民选择概率
- 网络分析法:基于路网数据计算最短路径时间(需
osmnx)
重力模型计算服务吸引力
def gravity_model(hospitals_df, population_df, alpha=1.0, beta=2.0):
"""
计算每个网格内居民对医院的吸引力
alpha: 医院规模权重
beta: 距离衰减系数
"""
attractions = []
for _, pop in population_df.iterrows():
total_attraction = 0
for _, hosp in hospitals_df.iterrows():
dist = geodesic((pop['lat'], pop['lng']),
(hosp['lat'], hosp['lng'])).km
attraction = hosp['beds'] * (1 / (dist ** beta)) # beds=医院床位数
total_attraction += attraction
attractions.append(total_attraction)
return attractions
# 应用到人口网格
population_df['hospital_attraction'] = gravity_model(hospitals_df, population_df)
时空模式挖掘:POI动态变化分析
POI数据具有时间维度(如营业时间、营业结束时间),结合时间序列分析可揭示动态规律。例如:
- 热力图时间切片:按小时/星期生成POI活跃度热力图
- 周期性检测:通过FFT(快速傅里叶变换)识别周末/节假日波动
- 异常检测:使用Prophet模型预测POI数量趋势,识别突发变化
基于时间戳的POI活跃度分析
import pandas as pd
import numpy as np
# 假设POI数据包含营业时间字段:open_time, close_time
df['open_time'] = pd.to_datetime(df['open_time'])
df['close_time'] = pd.to_datetime(df['close_time'])
# 生成每小时时间序列
hours = pd.date_range('2023-01-01', periods=24, freq='H')
# 计算每小时活跃POI数量
hourly_activity = []
for h in hours:
active = df[(df['open_time'].dt.hour <= h.hour) &
(df['close_time'].dt.hour > h.hour)]
hourly_activity.append(len(active))
# 可视化
import matplotlib.pyplot as plt
plt.plot(hours, hourly_activity)
plt.xlabel('Hour of Day')
plt.ylabel('Active POI Count')
plt.title('Daily POI Activity Pattern')
plt.grid(True)
POI数据可视化方案
可视化是POI数据分析的最终呈现环节,需兼顾信息密度与交互体验。主流方案包括静态图表、交互式地图、热力图、路径可视化等。
folium:交互式地图可视化
folium是基于Leaflet.js的Python地图库,支持生成可缩放、可交互的HTML地图。典型应用包括:
- 散点图:每个POI显示为图标
- 热力图:基于密度生成颜色渐变
- 聚类标记:高密度区域自动聚合图标
- 路径绘制:连接多个POI生成路线
folium交互式地图生成
import folium
from folium.plugins import HeatMap, MarkerCluster
# 创建地图中心点
m = folium.Map(location=[39.90923, 116.397499], zoom_start=13)
# 添加热力图
heat_data = [[row['lat'], row['lng']] for _, row in df.iterrows()]
HeatMap(heat_data, radius=15).add_to(m)
# 添加聚类标记
marker_cluster = MarkerCluster().add_to(m)
for _, row in df.iterrows():
folium.Marker(
location=[row['lat'], row['lng']],
popup=f"{row['name']} ({row['category']})",
icon=folium.Icon(color='blue', icon='info-sign')
).add_to(marker_cluster)
# 保存为HTML
m.save('poi_map.html')
matplotlib/seaborn:静态统计图表
适用于发布报告中的趋势图、分布图、相关性分析图。典型图表包括:
- 直方图:POI数量按类别分布
- 箱线图:不同区域POI价格分布比较
- 散点图:POI密度 vs 人口密度相关性
- 时间序列图:POI数量月度变化趋势
POI类别分布直方图
import seaborn as sns
import matplotlib.pyplot as plt
# 统计各类别POI数量
category_counts = df['category'].value_counts().head(10)
# 绘制水平条形图
plt.figure(figsize=(10, 6))
sns.barplot(x=category_counts.values, y=category_counts.index, palette='viridis')
plt.xlabel('POI Count')
plt.ylabel('Category')
plt.title('Top 10 POI Categories Distribution')
plt.grid(axis='x')
plt.tight_layout()
动态热力图:时间-空间联合分析
通过动画展示POI活动随时间变化的规律,例如:
- 工作日 vs 周末:商业区工作日活跃,住宅区周末活跃
- 节假日效应:旅游景点在春节/国庆期间流量激增
- 时段变化:早餐时段早餐店活跃,夜市时段餐饮集中
动态热力图生成(Matplotlib动画)
from matplotlib.animation import FuncAnimation
fig, ax = plt.subplots(figsize=(8, 6))
scat = ax.scatter([], [], c='red', alpha=0.5)
def init():
ax.set_xlim(116.39, 116.41)
ax.set_ylim(39.90, 39.92)
return scat,
def update(frame):
# 筛选当前小时活跃的POI
hour = frame % 24
subset = df[df['open_time'].dt.hour <= hour]
subset = subset[subset['close_time'].dt.hour > hour]
scat.set_offsets(subset[['lng', 'lat']].values)
return scat,
# 创建动画
ani = FuncAnimation(fig, update, frames=24, init_func=init, blit=True, interval=200)
ani.save('poi_hourly.gif', writer='pillow')
3D可视化:立体空间表达
通过Plotly或PyVista生成三维POI地图,直观展示建筑高度、地形起伏对POI分布的影响。例如:
- 建筑高度热力图:将POI所在建筑层数映射为Z轴高度
- 地形叠加:结合DEM数据(数字高程模型)展示山地城市POI分布
Plotly 3D散点图
import plotly.express as px
# 假设df包含height字段(建筑层数)
fig = px.scatter_3d(df, x='lng', y='lat', z='height',
color='category', size='rating',
hover_name='name')
fig.update_layout(scene=dict(
xaxis_title='Longitude',
yaxis_title='Latitude',
zaxis_title='Building Height (floors)'
))
fig.show()
Python POI 实战案例库
以下案例均来自真实项目,涵盖城市规划、商业分析、公共安全等场景。
案例1:城市商业区识别与规划建议
背景:某市政府需优化商业空间布局,识别潜在新兴商圈。
数据:高德POI数据(餐饮、零售、娱乐类)、人口网格数据、交通路网数据。
分析流程:
- 使用DBSCAN聚类识别POI热点区域(半径100米,最小点数50)
- 计算每个区域的服务人口密度(人口/平方公里)
- 基于路网计算区域可达性(平均驾车时间)
- 生成综合评分:0.4×POI密度 + 0.3×人口密度 + 0.3×可达性
结果:识别出3个新兴商圈(评分前3),建议新增地铁站点与公交线路。例如,A区域POI密度高但交通可达性低,规划新增2条公交线路后评分提升23%。
核心代码片段
# 综合评分计算
df['poi_density'] = df.groupby('cluster')['name'].transform('count') / df['cluster_area_km2']
df['pop_density'] = df['population'] / df['cluster_area_km2']
df['accessibility'] = 1 / (df['avg_drive_time'] + 1) # 避免除零
# 归一化
from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()
df[['poi_density_norm', 'pop_density_norm', 'accessibility_norm']] = scaler.fit_transform(
df[['poi_density', 'pop_density', 'accessibility']])
# 综合评分
df['score'] = 0.4*df['poi_density_norm'] + 0.3*df['pop_density_norm'] + 0.3*df['accessibility_norm']
案例2:连锁餐饮选址分析
背景:某连锁火锅品牌计划在成都新增10家门店,需评估选址可行性。
数据:成都全市POI数据(餐饮类)、竞品门店位置、人口流动热力图。
分析流程:
- 计算每个潜在选址点的竞品密度(1公里内同类餐厅数量)
- 评估服务人口密度(常住人口+通勤人口)
- 分析交通便利性(距地铁站距离、公交线路数)
- 生成选址评分矩阵(100分制)
结果:推荐5个高分选址点,其中“金融城CBD东区”综合评分92分(竞品密度低、人口密度高、交通便利)。实施后6个月内单店日均客流量达1200人,超出预期35%。
选址评分模型
| 评分维度 | 权重 | 计算公式 |
|---|---|---|
| 竞品密度 | 30% | 1 - (竞品数量 / 100) |
| 人口密度 | 25% | 人口数 / 10000 |
| 交通便利性 | 20% | 地铁距离系数 × 0.5 + 公交线路数 × 0.5 |
| 可见度 | 15% | 主干道距离系数 × 0.7 + 交叉路口距离系数 × 0.3 |
| 安全性 | 10% | 治安事件密度 × -1 |
案例3:医院资源公平性评估
背景:某省卫健委需评估三甲医院资源分布公平性。
数据:全省三甲医院位置、人口分布、交通时间矩阵。
分析流程:
- 以医院为中心生成5公里缓冲区
- 计算缓冲区内服务人口比例
- 计算居民到最近医院的平均时间(基于路网)
- 识别“服务盲区”(人口>1万但服务时间>30分钟)
结果:发现3个服务盲区,建议在盲区新建1家分院。实施后,全省居民平均到院时间从28分钟降至19分钟,服务覆盖率提升至95%。
服务盲区识别代码
def identify_service_gaps(hospitals, population, max_time=30):
# 计算每个网格到最近医院的距离
hospitals_coords = hospitals[['lat', 'lng']].values
nn = NearestNeighbors(n_neighbors=1, metric='haversine')
nn.fit(np.radians(hospitals_coords))
distances, _ = nn.kneighbors(np.radians(population[['lat', 'lng']].values))
travel_times = distances.flatten() * 6371 * 1.5 / 40 # 估算驾车时间(40km/h)
# 标记服务盲区
population['service_time'] = travel_times
gaps = population[population['service_time'] > max_time]
# 合并相邻盲区
from shapely.geometry import Point
from shapely.ops import unary_union
gap_polygons = [Point(row['lng'], row['lat']).buffer(0.01) for _, row in gaps.iterrows()]
merged_gaps = unary_union(gap_polygons)
return gpd.GeoDataFrame({'geometry': [merged_gaps]}, crs='EPSG:4326')
案例4:城市“15分钟生活圈”规划
背景:住建部推行“15分钟生活圈”政策,要求居民步行15分钟内可达基础服务设施。
数据:社区边界数据、POI分布(学校、卫生站、菜市场、公园)。
分析流程:
- 以每个社区中心为起点,生成1.5公里步行缓冲区(等时线)
- 统计缓冲区内各类设施数量(目标:≥2个学校、≥1个卫生站)
- 识别“设施缺口社区”
- 规划新增POI建议(位置选择基于服务盲区)
结果:在1000个社区中,识别出87个设施缺口社区,规划新增52个卫生站、38个社区菜市场,预计覆盖人口85万人。
步行等时线生成(基于OSM路网)
import osmnx as ox
# 下载社区周边路网
G = ox.graph_from_point((lat, lng), distance=1500, network_type='walk')
# 计算步行等时线(15分钟=900秒)
fig, ax = ox.plot_graph_route(G, route, route_linewidth=6, node_size=0)
# 生成等时线多边形
isochrones = ox.isochrones(G, point=(lng, lat), travel_time=900, network_type='walk')
isochrones_gdf = gpd.GeoDataFrame({'geometry': isochrones}, crs='EPSG:4326')