实战：用cpca+folium为你的门店客户地址数据绘制一张热力图（Python教程）
实战：用cpca+folium为你的门店客户地址数据绘制一张热力图（Python教程）
线下门店的运营团队经常面临一个核心问题：如何从海量客户地址中挖掘出有价值的空间分布规律？传统的Excel表格统计只能呈现冰冷的数字，而一张动态交互的热力图却能瞬间揭示客户密度的地理特征。本文将手把手带你用Python实现从原始地址文本到可视化热力图的完整流程，无需GIS专业背景，只需基础Python技能即可完成。
1. 环境准备与数据清洗
在开始之前，确保你的Python环境已安装以下库：
pip install cpca folium pandas假设我们有一份包含客户地址的CSV文件，数据格式如下：
| 订单ID | 客户地址 |
|---|---|
| 1001 | 北京市海淀区中关村大街27号 |
| 1002 | 上海市浦东新区张江高科技园区 |
常见的地址数据问题包括：
- 省市区信息缺失（如只写"朝阳区望京SOHO"）
- 格式不统一（"广东省深圳市" vs "深圳"）
- 错别字或简称（"浙江"误写为"浙"）
提示：建议先用pandas的
dropna()和str.strip()处理缺失值与前后空格，再用正则表达式统一替换分隔符（如将"省/市/区"替换为空格）。
2. 地址解析与经纬度转换
cpca库能智能识别中文地址中的省市区信息：
from cpca import CPCA address_df = CPCA().transform(df["客户地址"]) print(address_df.head())输出示例：
| 省 | 市 | 区 | 地址 |
|---|---|---|---|
| 北京 | 北京 | 海淀区 | 中关村大街27号 |
| 上海 | 上海 | 浦东新区 | 张江高科技园区 |
但cpca本身不提供经纬度转换，需要配合地理编码API：
import requests def get_lat_lng(address): url = f"https://api.map.baidu.com/geocoding/v3/?address={address}&output=json&ak=你的AK" response = requests.get(url).json() return response["result"]["location"]注意：免费API通常有调用频次限制，建议添加
time.sleep(0.5)避免触发限制。
3. 热力图生成与自定义样式
folium的HeatMap插件只需三行核心代码：
import folium from folium.plugins import HeatMap m = folium.Map(location=[35, 110], zoom_start=5) HeatMap(data=points_list).add_to(m) m.save("heatmap.html")高级样式调整技巧：
- 使用
gradient参数修改颜色渐变（如{0.4: 'blue', 0.6: 'green'}） - 通过
radius和blur控制热力点扩散范围 - 叠加
TileLayer更换地图底图风格
4. 典型问题解决方案
案例1：部分地址解析失败
- 现象：某些地址返回
None值 - 排查：检查特殊字符（如"#","-")或非标准行政区划名称
- 修复：用
df[address_df["省"].isnull()]定位问题数据后手动修正
案例2：热力点分布异常集中
- 原因：同一地址重复出现导致权重叠加
- 优化：对坐标点进行去重并统计频次作为权重值：
points_with_weight = [[lat, lng, count] for (lat,lng), count in Counter(points).items()]最终效果图中，鼠标悬停可查看具体位置，滚轮缩放能动态调整热力密度显示范围。我曾为一家连锁餐饮品牌实施类似方案，发现其70%的线上订单集中在3公里范围内，直接促成了新店选址决策。