企业官网建设流程全解析

简介：江苏省Shapefile矢量地图数据，涵盖行政边界、河流、道路、城市、乡镇等基础地理要素，适用于GIS学习者、规划人员及科研工作者，可用于地图制图、空间叠加、缓冲区分析及统计建模等场景，帮助读者快速建立江苏省空间分析底图。压缩包共9个文件，主要包含.shp几何数据、.dbf属性表、.shx索引、.prj坐标参考及配套辅助文件，导入ArcGIS、QGIS等软件时需保持各文件同目录，以保证数据完整可读。包体仅293KB，体积轻量，便于下载与共享。目前已有692人学习浏览，适合需要区域基础底图开展数据预处理、地理加权回归或趋势预测的读者。数据保留矢量拓扑结构，可灵活关联人口、经济等外部统计字段，揭示地域特征并支撑城市规划、交通规划与灾害风险评估等实践决策。

1. 江苏shp地图到底解决了什么问题：拿到数据后先确认这三件事

同样一份江苏shp地图，有人加载一下就能叠底图出图，有人折腾半天还是边界漂移、属性表乱码、统计图对不上。区别不在数据本身，而在你动它之前有没有先把坐标系、图层组织和属性字段这三件事想清楚。本文的目标，是让你拿到一份江苏shp地图后，从文件结构到可视化都能独立走通，而不是被网上那些版本不一、坐标混乱的包折腾到怀疑人生。适合做数据可视化、Web地图展示、行政区划统计分析的前端和数据分析同学，也适合手里已经有一份shp但一直没跑明白的GIS从业者。先别急着双击打开，跟着下面的思路走一遍。

2. 给江苏shp地图做体检：文件结构、属性表和坐标系怎么一次看清

2.1 用geopandas读一遍：先看crs、geometry和字段

shp不是单文件，一个完整的shapefile至少需要三个文件：.shp存几何、.dbf存属性、.shx存索引。很多新手只拿到其中一个就解压，结果读出来的内容缺胳膊少腿。我应该先做一遍体检，用geopandas读取后，一次性确认几何类型、坐标系和字段清单。

import geopandas as gpd # 读取江苏shp，如果属性表是中文，优先尝试gbk编码 gdf = gpd.read_file("jiangsu.shp", encoding="utf-8") # 体检第一步：看几何类型与坐标系 print("geometry类型:", gdf.geom_type.unique()) print("当前坐标系:", gdf.crs) # 体检第二步：看字段与数据类型 print("字段列表:", gdf.columns.tolist()) print("前5行属性:", gdf[["name", "adcode"]].head())

这段代码里，geom_type会告诉你图层是面还是线还是点，crs会显示投影坐标系代码，比如EPSG:4490就代表CGCS2000地理坐标系。字段里name是地市或区县名称，adcode是行政区划代码，这是后面做统计合并的关键。如果读取时中文变成问号或乱码，把encoding换成"gbk"再读一次。

2.2 面线点三层数据：分别负责什么，取数据时怎么选

江苏shp地图通常会包含多个图层文件，最常见的有省界、地市界、区县界，还有道路、水系、居民地等。面图层用来做行政区域统计和分级填色，线图层用来画道路和河流，点图层用来标注城镇和地标。我一般习惯把面图层当成底图骨架，线图层做辅助参考，点图层只在对标注有明确需求时才用，否则会稀释整体信息密度。判断一个面图层是否足够精细，最直接的办法是看它的边界节点数和面积计算是否接近官方口径。

用面图层做统计时，记得确认两个问题：这个面是地市一级还是区县一级，以及内部是否包含飞地。飞地在shp里往往表现为一个面要素被另一个面要素包围，统计时会重复计数，需要特殊处理。

2.3 属性表里值得提前确认的字段

属性表是shp地图里最容易踩坑的地方。江苏相关数据的属性表里，我每次都会确认这几个字段：一是行政区划代码，用来和统计年鉴数据做join；二是名称字段，要注意繁体、旧名或带后缀的写法；三是面积字段和人口字段，先确认单位是平方公里还是亩，避免后面画图时数值差一个量级。

# 检查属性表是否有空值或重复代码 print("空值统计:") print(gdf.isnull().sum()) print("行政区划代码重复数:", gdf["adcode"].duplicated().sum())

如果adcode存在重复，合并外部统计表时会出现一对多，导致图表数值翻倍。我一般会先把adcode转成字符串，再补零到六级，保证和统计年鉴里的代码位数一致。这一步虽然基础，但能省掉后面一大堆对账的麻烦。

3. 把江苏shp地图转成能用的坐标系：从 CGCS2000/西安80 到 WGS84

3.1 坐标系转换命令手记：geopandas一行搞定

江苏shp地图的坐标系，根据数据来源不同，常见的三种：CGCS2000地理坐标系EPSG:4490、西安80坐标系EPSG:4610、WGS84地理坐标系EPSG:4326。如果你要在高德或Leaflet上叠加底图，底图默认都是EPSG:3857或者EPSG:4326，所以拿到数据后第一件事往往是转坐标系。

import geopandas as gpd gdf = gpd.read_file("jiangsu.shp", encoding="gbk") # 先确认原始坐标系 print("原始坐标系:", gdf.crs) # 转到WGS84地理坐标系，方便Web底图叠加 gdf_wgs84 = gdf.to_crs(epsg=4326) # 查看转换后边界范围 print("转换后边界范围:", gdf_wgs84.total_bounds) # 另存为GeoJSON，Web前端直接用 gdf_wgs84.to_file("jiangsu_wgs84.geojson", driver="GeoJSON")

to_crs是投影转换，不是简单重写坐标系标签。这段代码里必须保证gdf.crs不是None，否则转换结果完全错误。如果crs为None，只能先用如下方式手动指定，再转换。

from pyproj import CRS # 依据来源说明设置坐标系，常见是CGCS2000 gdf = gdf.set_crs(CRS.from_epsg(4490)) gdf_wgs84 = gdf.to_crs(epsg=4326)

手动指定坐标系是高风险操作，如果原始数据其实是西安80而你标成了CGCS2000，转换后的数据会整体偏移几百米。判断原始坐标系，优先看数据包里的说明文件或坐标系定义文件（.prj），如果都没写，就对比边界和已知参考点位置来确定。

3.2 底图对齐后的“后悔药”：简化、导出GeoJSON

底图叠加后发现边界和卫星图对不上，先确认两点：一是不是坐标系转错了，二是不是边界精度过高导致前端渲染卡顿。江苏省级边界的shp文件通常有几千到几万个节点，直接丢进Web前端加载会明显掉帧，我的做法是简化边界再导出。

import geopandas as gpd gdf = gpd.read_file("jiangsu_wgs84.geojson") # 保留足够精度的简化，容差0.005约合500米 gdf_simplified = gdf.copy() gdf_simplified["geometry"] = gdf.geometry.simplify(tolerance=0.005) # 简化后修复无效几何 gdf_simplified["geometry"] = gdf_simplified.geometry.buffer(0) # 导出轻量级GeoJSON gdf_simplified.to_file("jiangsu_simplify.geojson", driver="GeoJSON") print("简化后节点数量:", sum(gdf.geometry.length for gdf in [gdf_simplified]))

simplify使用的是道格拉斯-普克算法，tolerance越大边界越粗糙。0.005适合市级图预览，精确到区县边界才需要调整到0.001。buffer(0)是修复因简化产生的几何裂缝，这个操作在后续计算面积和拓扑查询时很有用。

3.3 常见误用：在没确认坐标系前强行叠图

坐标系转换最大的坑，不是不会写命令，而是根本不知道自己手里的数据是什么坐标系。我翻过车，拿着一份标着WGS84的江苏区县边界，直接叠高德底图，结果整体偏移了200多米，一开始还以为是底图的问题，后来才发现那份数据的真实坐标系是CGCS2000，被发布者错误标注了。

事前校验的方法很简单，找一个已知地标的经纬度，和shp里对应点的坐标对比，差距在0.001度以内基本没问题，差距明显就说明坐标系或数据本身有问题。不要盲目相信文件名里的“WGS84”，也不要只依赖crs字段，配合边界范围一起看才能确定。

4. 区县地市分层可视化：用江苏shp地图画一张分级统计图

4.1 准备统计字段：合并外部表格的正确姿势

拿到江苏shp地图后，大部分使用场景不是看边界，而是把业务数据和地理边界融合在一起，比如各市GDP、人口或房价分布。这一步的关键是join的键要统一格式。行政区划代码在shp里可能是数字，在Excel里可能是文本，直接merge会出大量空值。

import pandas as pd import geopandas as gpd # 读取江苏shp gdf = gpd.read_file("jiangsu_shp", encoding="gbk") # 读取业务统计表 df = pd.read_excel("jiangsu_stats.xlsx") # 统一adcode字段格式：转字符串并补足6位 gdf["adcode"] = gdf["adcode"].astype(str).str.zfill(6) df["adcode"] = df["adcode"].astype(str).str.zfill(6) # 左连接，保留所有地理边界 merged = gdf.merge(df, on="adcode", how="left") print("合并后为空值的统计字段:", merged["value"].isnull().sum())

left join保证了地图完整性，某个地区没有业务数据时，这个区域的统计字段就是空值，画图时空值区域会被跳过或填充为灰色，方便直接暴露数据缺口。这里最容易被忽略的是adcode的位数，统计年鉴里的市级代码一般是四位，区县级是六位，合并前统一按区域级别补零。

4.2 画地市分级图时怎么控制图例和边界线

matplotlib配合geopandas可以快速出图。画江苏省地市级分布时，我只画地市边界，区县边界作为内部细线可以叠加，但要注意线宽和颜色让层级分明。图例的区间数量建议控制在5档左右，过多会让读者失去比较。

import matplotlib.pyplot as plt fig, ax = plt.subplots(1, 1, figsize=(8, 10)) # 绘制面，按业务字段分级着色 merged.plot(column="value", ax=ax, cmap="OrRd", legend=True, edgecolor="black", linewidth=0.5, missing_kwds={"color": "lightgrey", "label": "暂无数据"}) # 叠加地市级边界线，加粗显示 gdf_boundary = merged.dissolve(by="city_code") gdf_boundary.boundary.plot(ax=ax, color="black", linewidth=1.2) plt.axis("off") plt.show()

dissolve按地市代码合并内部区县边界，生成地市轮廓线，加粗后让读者一眼看出层级结构。edgecolor和linewidth控制面边界，如果觉得县界太密，就只保留地市边界，把区县边界线宽设为0.2或直接省略。

4.3 飞地与嵌套关系：画区县图时常用的双层图层组织

江苏部分区县的行政区划存在飞地，也就是一块区域归A管辖，但地理位置在B辖区内部。shp里飞地通常作为一个独立要素存在，如果只是简单按区县名字分组，画出来会出现叠加覆盖。处理飞地我一般会先用区域代码分组，再检查每个分组内的几何数量。

# 统计每个区县的几何要素数量，排查多几何 geo_count = gdf.groupby("adcode").size().reset_index(name="count") print("存在多个几何要素的区县:", geo_count[geo_count["count"] > 1])

如果某个区县有多个要素，那要么是飞地，要么是岛屿，要么是数据分割问题。可视化时建议将它们合并成一个MultiPolygon再映射填色，避免颜色被覆盖或统计面积偏大。合并操作使用dissolve即可，会按指定字段把同一个区县的所有几何合并。

5. 江苏shp地图避坑：属性乱码、边界漂移与区划过时怎么排查

5.1 属性表乱码

现象：读取shp后，name字段显示为“？？？”或一堆乱码。原因：属性表.dbf文件是老版本编码，常见为GBK或GB2312，但读取时用了utf-8。解决：读取时指定encoding="gbk"，如果依旧乱码，逐个尝试"gb2312"和"utf-8-sig"，最稳妥的是用文本编辑器打开shp同目录下的.cpg文件查看声明编码。我有一次遇到一个混合编码的属性表，字段名是utf-8但字段值是gbk，只能先分字段重新编码转成统一格式再入库。

gdf = gpd.read_file("jiangsu.shp", encoding="gbk") # 确认名称字段是否正常 print(gdf["name"].head())

5.2 边界漂移

现象：shp边界叠加卫星底图或在线地图后，整体错位100米到几百米。原因：原始数据坐标系和底图坐标系不一致，且未确认坐标系就盲目转换。解决：先确认坐标系声明，再用坐标转换工具校验。如果原始数据是西安80，要使用EPSG:4610加towgs84参数转换，单纯从epsg:4610转到4326精度有限，部分来源的数据需要七参数才能和WGS84精确对齐。实用做法是找一个已知的精确点位，对比转换前后的经纬度偏差，偏差超过0.002度就考虑换数据源。

5.3 边界不闭合或自相交

现象：计算江苏某个区县的面积时数值异常，或者dissolve后出现镂空。原因：原始边界线没有正确闭合，或者简化边界后产生了自相交。解决：使用buffer(0)修复无效几何，检查修复前后有效面积的变化。我在处理一个县级边界时发现原本标注的700平方公里，修复后变成了650，说明原数据本身就存在拓扑错误。

gdf_clean = gdf.copy() gdf_clean["geometry"] = gdf.geometry.buffer(0) invalid_check = ~gdf_clean.is_valid print("无效几何数量:", invalid_check.sum())

5.4 行政区划代码过时

现象：属性表里的区县名称和当前官方行政区划对不上，统计数据合并时出现N/A。原因：shp数据发布较早，近年来部分区县经历过撤并或调整。解决：获取最新行政区划代码表，先按旧代码匹配，未命中的再用名称字段模糊匹配。不要直接用名称做join，名称常有简称、旧称差异，一换代码就变成两张表对不齐。

5.5 面积单位不一致

现象：同一张图里，部分区域面积比实际大十倍或小十倍。原因：属性表里面积字段来源复杂，有平方公里、亩、公顷混用的，还有包含飞地面积导致重复计算。解决：不信任属性表里的面积字段，用几何重新计算面积，并统一单位。

# 投影到等积投影后再计算，避免经纬度直接算面积 gdf_area = gdf.to_crs({"proj": "aea", "lat_1": 30, "lat_2": 40, "lat_0": 32, "lon_0": 120}) gdf["area_km2"] = gdf_area.geometry.area / 1_000_000 print("面积前5:", gdf[["name", "area_km2"]].head())

AEA等积投影适合江苏这种中纬度区域，计算出的面积最接近真实值，直接经纬度坐标算面积会随纬度变化而扭曲。记住这个习惯，官方统计口径里面积单位是平方公里，对比线上面积时心里就有底了。

6. 进阶：把江苏shp地图做成一个可交互的本地分级统计页

静态图永远是给别人看的，真正自己做数据探索时需要缩放查看局部边界。我习惯把江苏shp地图和业务数据做成一个可交互的本地页面，这样从县级视角切到区县边界，还能按业务字段动态填色。下面用folium做一个最小可用版本，输出为一个独立HTML文件，不需要起服务，双击就能打开。

import json import pandas as pd import geopandas as gpd import folium # 读取已经转好坐标系的江苏shp gdf = gpd.read_file("jiangsu_wgs84.geojson") gdf_json = json.loads(gdf.to_json()) # 演示统计字段 df = pd.DataFrame({ "adcode": gdf["adcode"], "value": range(len(gdf)) }) gdf_merged = gdf.merge(df, on="adcode") # 创建地图，中心点放在江苏中部 m = folium.Map(location=[33.0, 119.5], zoom_start=7) folium.Choropleth( geo_data=gdf_json, data=gdf_merged, columns=["adcode", "value"], key_on="feature.properties.adcode", fill_color="YlOrRd", fill_opacity=0.7, line_opacity=0.5, legend_name="业务指标" ).add_to(m) m.save("jiangsu_interactive.html")

这段代码里有两个关键参数需要你根据实际字段调整：key_on的值要匹配GeoJSON属性字段名，columns的第一列必须是shp和业务表共用的键。folium的Choropleth颜色区间默认按分位数分桶，适合查看相对分布。如果你需要支持点击弹窗显示区县名称和指标值，可以在GeoJSON上叠加一层GeoJsonTooltip，把我这个基础版本继续扩展。

做完这个交互页后的验证方法是：缩放对比高德或天地图的边界走向，再用一个你熟悉的区县面积和属性表对照。我现在每次拿一份新的江苏shp地图，都会先跑一遍第一节的体检代码，确认坐标系、字段编码和几何有效性三个绿灯全亮才敢做下一步。这个习惯帮我省掉了无数次返工，希望帮到你。

本文还有配套的精品资源，点击获取