尧图网站建设 
简介这份资源提供四川省成都市乡镇街道级别的行政区划矢量数据以shp格式组织面向GIS从业者、城市规划研究人员、地理信息专业师生以及需要成都基层行政边界做空间分析的用户。数据覆盖成都市下辖各乡镇与街道可用于专题制图、人口与经济数据空间关联、行政区划统计及地图可视化等场景属于可直接导入ArcGIS、QGIS等平台使用的基础地理数据。压缩包共14个文件约1.81MB包含3个shp主文件及配套的shx索引、dbf属性表、prj投影定义、cpg编码说明、sbn与sbx空间索引另有xml元数据文件各类型协同保证数据在主流GIS软件中正常读取与显示。目前已有2506人学习下载说明该数据在本地研究与教学中有一定使用基础。读者获取后可直接得到完整的成都乡镇街道边界图层省去自行采集与数字化的工作便于快速开展空间统计、制图出图与区域对比分析。1. 成都市各乡镇街道行政区划shp文件从一份边界数据到能跑的分析底图做城市数据分析的人迟早会撞上一件事手头有一堆 POI、人口、网格数据却缺一份能直接用的成都市乡镇街道行政区划 shp 文件。街道级别是很多分析的最小行政单元比区县细比社区规整做选址、做热力、做资源分配都绕不开它。这份数据的价值不在于“有”而在于“对得上”——边界拓扑要闭合、投影要统一、属性表要有可关联的行政区代码。我见过太多人拿到一份 shp 就急着往 GIS 里拖结果坐标系是地理坐标面积算出来是度数平方或者相邻街道之间留着肉眼看不见的缝隙做空间连接时点全掉进缝里。这篇就按一线做法把成都市乡镇街道行政区划 shp 文件从获取、检查、修复到落地分析的完整链路讲清楚适合做城市研究、规划辅助、商业选址的从业者也适合刚接触 GIS 但需要真实数据干活的人。2. 拿到 shp 文件先别急着画图四个字段和两个几何指标决定它能不能用2.1 行政区划 shp 的属性表里到底该有什么一份能用的成都市乡镇街道行政区划 shp 文件属性表至少要有这几列街道乡镇名称、所属区县名称、行政区划代码、以及可选的城乡分类代码。行政区划代码是关联外部数据的关键街道级通常是 12 位前 6 位是区县中间 3 位是乡镇街道顺序码最后 3 位是村级但街道级 shp 一般只到前 9 位或 12 位全码。我一般会先打开属性表看三件事名称列有没有“街道”“镇”“乡”后缀混用、代码列是不是文本类型、有没有空值。名称后缀不统一会导致按名称关联时匹配失败代码列如果是数值类型前导零会被吃掉成都这边区县代码以 5101 开头暂时没有前导零问题但换成其他省份就会翻车。提示行政区划代码在 shp 里务必存成字符串数值类型在导出 CSV 再导入时极易丢精度或变科学计数法。2.2 几何检查闭合、自相交、缝隙三件套几何质量决定后续空间运算能不能跑通。用 QGIS 或 ArcGIS 打开后先看拓扑面是否闭合、有没有自相交、相邻面之间有没有缝隙或重叠。成都市乡镇街道 shp 文件常见的问题是边界沿河流或道路采集时产生细小自相交以及不同批次数据拼接后相邻街道之间出现宽度不到 1 米的缝隙。这些在视觉上完全看不出来但做空间连接时点会掉进去。我一般用 QGIS 的“拓扑检查器”跑一遍或者用 Python 的 shapely 做批量验证。下面这段代码就是检查自相交和有效性的最小脚本import geopandas as gpd from shapely.validation import explain_validity # 读取成都市乡镇街道 shp 文件 gdf gpd.read_file(chengdu_township.shp) # 检查几何有效性invalid 会返回具体原因 gdf[validity] gdf.geometry.apply(lambda geom: explain_validity(geom)) invalid gdf[gdf[validity] ! Valid Geometry] print(f无效几何数量: {len(invalid)}) print(invalid[[name, validity]].head(10)) # 检查空几何 empty gdf[gdf.geometry.is_empty] print(f空几何数量: {len(empty)})这段代码先读 shp然后用explain_validity逐条判断几何是否有效无效的会返回“Self-intersection”之类的具体原因。is_empty单独查空几何空几何在后续裁剪时会直接报错。参数上没什么可调的重点是看输出里无效几何的数量和类型如果超过总面数的 1%建议先修复再往下做。2.3 坐标系与投影算面积之前必须做的一步成都市乡镇街道行政区划 shp 文件常见的坐标系有两种WGS84 地理坐标EPSG:4326和 CGCS2000 投影坐标EPSG:4544 或 4545。地理坐标单位是度直接算面积得到的是平方度没有物理意义。做面积统计、缓冲区、密度分析之前必须投影到以米为单位的坐标系。成都位于 CGCS2000 3 度带第 34 带中央经线 102°E对应 EPSG:4544。我一般会在分析前统一转成这个投影代码很简单# 投影转换从 WGS84 转到 CGCS2000 3 度带 gdf_proj gdf.to_crs(epsg4544) # 计算每个街道的面积平方公里 gdf_proj[area_km2] gdf_proj.geometry.area / 1e6 print(gdf_proj[[name, area_km2]].sort_values(area_km2, ascendingFalse).head())to_crs是 geopandas 的投影转换方法传入目标 EPSG 代码即可。面积除以 1e6 是把平方米转成平方公里。这里要注意如果原始 shp 没有.prj文件to_crs会报错因为不知道源坐标系。遇到这种情况先确认数据来源的坐标系用gdf.set_crs(epsg4326)手动指定后再转换。这一步不做后面所有跟距离、面积相关的结论都是错的属于典型的“地基没打牢”。3. 从区县到乡镇街道用 Python 做空间连接和属性关联的完整流程3.1 把 POI 或人口数据挂到街道上的两种方式拿到成都市乡镇街道行政区划 shp 文件之后最常见的操作是把点数据或表格数据挂到街道上。点数据用空间连接表格数据用属性关联。空间连接的核心是判断点落在哪个面里geopandas 的sjoin一行搞定但前提是两者的坐标系一致。我一般会先统一投影再做连接import pandas as pd # 假设 poi_gdf 是已经读入的点数据坐标系与街道一致 poi_gdf gpd.read_file(poi.shp).to_crs(epsg4544) township gdf_proj.copy() # 空间连接点落在哪个街道面内 joined gpd.sjoin(poi_gdf, township, howleft, predicatewithin) # 统计每个街道的点数量 count_by_town joined.groupby(name).size().reset_index(namepoi_count) print(count_by_town.sort_values(poi_count, ascendingFalse).head(10))sjoin的predicatewithin表示点完全落在面内howleft保留所有点没匹配上的点街道名为空。如果点刚好落在边界上within可能判不进去可以换成intersects但那样边界上的点可能被两个街道同时匹配需要去重。参数上how控制保留哪边的记录做统计一般用left保留全部点做筛选可以用inner只留匹配上的。3.2 属性关联用行政区划代码做表连接如果手头是 Excel 或 CSV 格式的人口、经济数据用行政区划代码做表连接更稳。前提是 shp 里的代码列和表格里的代码列类型一致都是字符串。我一般会先检查两边的代码长度和格式# 读取外部表格数据 df pd.read_csv(township_population.csv, dtype{code: str}) # 检查代码长度分布 print(df[code].str.len().value_counts()) print(gdf[code].str.len().value_counts()) # 做表连接 merged gdf.merge(df, left_oncode, right_oncode, howleft) print(f匹配失败数量: {merged[population].isna().sum()})dtype{code: str}强制代码列为字符串避免前导零丢失。两边长度分布要一致比如都是 9 位或 12 位不一致说明有一方截断了。merge之后看population列的空值数量就是没匹配上的街道通常是代码格式不一致或名称有出入。这一步的坑在于有些表格里的代码是数值型读进来变成整数前导零没了长度对不上匹配全失败。3.3 批量裁剪与分区统计以成都市中心城区为例做分析时经常只需要中心城区几个区的街道或者按区县分组统计。用clip做裁剪用dissolve做合并。比如只保留锦江、青羊、金牛、武侯、成华五个区的街道# 中心城区区县名称列表 central_districts [锦江区, 青羊区, 金牛区, 武侯区, 成华区] # 筛选 central gdf_proj[gdf_proj[district].isin(central_districts)] # 按区县合并得到区级边界 district_boundary central.dissolve(bydistrict, aggfuncsum) print(district_boundary[[name, area_km2]]) # 保存结果 central.to_file(chengdu_central_township.shp, encodingutf-8)isin做列表筛选dissolve按区县字段合并面aggfuncsum会把面积字段加总。保存时encodingutf-8保证中文属性不乱码。这一步的实用价值在于很多分析只需要特定区域全量数据拖进去又慢又乱先裁再算能省不少时间。4. 避坑与排查成都市乡镇街道 shp 文件最常见的五个翻车现场4.1 中文乱码属性表打开全是问号现象用 ArcGIS 打开 shp 后属性表里的街道名称显示为乱码或问号。原因shp 的.dbf文件默认编码是 GBK 或 Latin-1而 QGIS 或 Python 按 UTF-8 读取。解决在 QGIS 里右键图层设置编码为 GBK或者用 Python 读取时指定encodinggbk导出时统一转成 UTF-8。我一般会在第一次读取时就试gbk如果报错再换utf-8。4.2 面积算出来是负数或零现象投影后计算面积结果出现负数或零。原因几何无效比如自相交导致面积计算异常或者面方向反了。解决先用buffer(0)修复自相交再重新计算面积。buffer(0)是 shapely 里修复几何的常用技巧能把自相交的面变成有效面。gdf_proj[geometry] gdf_proj.geometry.buffer(0) gdf_proj[area_km2] gdf_proj.geometry.area / 1e64.3 空间连接时点大量丢失现象sjoin之后很多点的街道名为空。原因坐标系不一致或者点落在街道之间的缝隙里。解决先确认两者坐标系一致再用intersects替代within或者先对街道面做微小缓冲比如 0.5 米再连接。缓冲会引入微小误差但能救回边界上的点。4.4 行政区划代码匹配失败现象表连接后大量空值。原因代码列类型不一致一边是字符串一边是数值或者长度不同。解决统一转成字符串检查长度分布必要时补零。成都街道级代码一般是 9 位或 12 位补零到统一长度再匹配。4.5 导出后坐标系丢失现象保存为 shp 后再打开发现坐标系变成未知。原因geopandas 保存时如果没有.prj文件或者源数据没有 CRS。解决保存前确认gdf.crs不为空保存时 geopandas 会自动写.prj。如果源数据没有 CRS先用set_crs指定再保存。5. 进阶用法用街道边界做网格聚合与可视化验证5.1 把街道边界转成网格统计单元做热力图或格网分析时街道边界可以直接作为聚合单元。但如果街道面积差异大比如山区乡镇面积是城区街道的几十倍直接按街道统计密度会失真。我一般会做一个 500 米 × 500 米的渔网再用街道边界裁剪得到每个网格所属的街道这样既能保留街道属性又能做精细化密度分析。import numpy as np from shapely.geometry import box # 获取街道边界的范围 minx, miny, maxx, maxy gdf_proj.total_bounds # 生成 500 米网格 cell_size 500 cols np.arange(minx, maxx, cell_size) rows np.arange(miny, maxy, cell_size) cells [box(x, y, x cell_size, y cell_size) for x in cols for y in rows] # 转成 GeoDataFrame grid gpd.GeoDataFrame({geometry: cells}, crsgdf_proj.crs) # 用街道边界裁剪网格保留街道属性 grid_with_town gpd.overlay(grid, gdf_proj[[name, geometry]], howintersection) print(f网格数量: {len(grid_with_town)})total_bounds返回边界范围box生成矩形网格overlay做相交裁剪。howintersection只保留网格和街道重叠的部分。这样每个网格都带街道名称后续按网格统计 POI 密度再汇总到街道比直接按街道统计更细。5.2 可视化验证用 QGIS 快速检查边界质量代码跑完不代表数据没问题我习惯在 QGIS 里做最后一道视觉检查。把街道边界叠加到天地图或高德底图上看边界是否贴合实际道路和河流。重点看三个地方河流沿岸的街道边界、区县交界处的街道归属、以及飞地比如高新区在武侯区里的飞地。飞地是成都行政区划的一个特点高新区、天府新区直管区都有飞地如果 shp 里飞地归属错了做分区统计时数据会串。QGIS 里用“按属性选择”快速定位飞地再和官方区划图对照。5.3 一个我踩过的坑别用旧版边界做新数据统计最后说一个血泪教训。成都市乡镇街道行政区划调整比较频繁比如乡镇改街道、区县托管调整旧版 shp 的边界和代码可能和新版统计数据对不上。我有一次用 2019 年的街道边界去挂 2023 年的人口数据结果几个新设街道没有边界数据全挂到老街道上统计结果偏差很大。后来养成习惯拿到 shp 先看边界年份和统计数据的年份对齐对不上就找新版边界或者用区县级别做过渡。这个习惯帮我省了很多后悔药。希望帮到你。本文还有配套的精品资源点击获取 成都市乡镇街道行政区划shp文件：从获取到空间分析全流程指南
简介这份资源提供四川省成都市乡镇街道级别的行政区划矢量数据以shp格式组织面向GIS从业者、城市规划研究人员、地理信息专业师生以及需要成都基层行政边界做空间分析的用户。数据覆盖成都市下辖各乡镇与街道可用于专题制图、人口与经济数据空间关联、行政区划统计及地图可视化等场景属于可直接导入ArcGIS、QGIS等平台使用的基础地理数据。压缩包共14个文件约1.81MB包含3个shp主文件及配套的shx索引、dbf属性表、prj投影定义、cpg编码说明、sbn与sbx空间索引另有xml元数据文件各类型协同保证数据在主流GIS软件中正常读取与显示。目前已有2506人学习下载说明该数据在本地研究与教学中有一定使用基础。读者获取后可直接得到完整的成都乡镇街道边界图层省去自行采集与数字化的工作便于快速开展空间统计、制图出图与区域对比分析。1. 成都市各乡镇街道行政区划shp文件从一份边界数据到能跑的分析底图做城市数据分析的人迟早会撞上一件事手头有一堆 POI、人口、网格数据却缺一份能直接用的成都市乡镇街道行政区划 shp 文件。街道级别是很多分析的最小行政单元比区县细比社区规整做选址、做热力、做资源分配都绕不开它。这份数据的价值不在于“有”而在于“对得上”——边界拓扑要闭合、投影要统一、属性表要有可关联的行政区代码。我见过太多人拿到一份 shp 就急着往 GIS 里拖结果坐标系是地理坐标面积算出来是度数平方或者相邻街道之间留着肉眼看不见的缝隙做空间连接时点全掉进缝里。这篇就按一线做法把成都市乡镇街道行政区划 shp 文件从获取、检查、修复到落地分析的完整链路讲清楚适合做城市研究、规划辅助、商业选址的从业者也适合刚接触 GIS 但需要真实数据干活的人。2. 拿到 shp 文件先别急着画图四个字段和两个几何指标决定它能不能用2.1 行政区划 shp 的属性表里到底该有什么一份能用的成都市乡镇街道行政区划 shp 文件属性表至少要有这几列街道乡镇名称、所属区县名称、行政区划代码、以及可选的城乡分类代码。行政区划代码是关联外部数据的关键街道级通常是 12 位前 6 位是区县中间 3 位是乡镇街道顺序码最后 3 位是村级但街道级 shp 一般只到前 9 位或 12 位全码。我一般会先打开属性表看三件事名称列有没有“街道”“镇”“乡”后缀混用、代码列是不是文本类型、有没有空值。名称后缀不统一会导致按名称关联时匹配失败代码列如果是数值类型前导零会被吃掉成都这边区县代码以 5101 开头暂时没有前导零问题但换成其他省份就会翻车。提示行政区划代码在 shp 里务必存成字符串数值类型在导出 CSV 再导入时极易丢精度或变科学计数法。2.2 几何检查闭合、自相交、缝隙三件套几何质量决定后续空间运算能不能跑通。用 QGIS 或 ArcGIS 打开后先看拓扑面是否闭合、有没有自相交、相邻面之间有没有缝隙或重叠。成都市乡镇街道 shp 文件常见的问题是边界沿河流或道路采集时产生细小自相交以及不同批次数据拼接后相邻街道之间出现宽度不到 1 米的缝隙。这些在视觉上完全看不出来但做空间连接时点会掉进去。我一般用 QGIS 的“拓扑检查器”跑一遍或者用 Python 的 shapely 做批量验证。下面这段代码就是检查自相交和有效性的最小脚本import geopandas as gpd from shapely.validation import explain_validity # 读取成都市乡镇街道 shp 文件 gdf gpd.read_file(chengdu_township.shp) # 检查几何有效性invalid 会返回具体原因 gdf[validity] gdf.geometry.apply(lambda geom: explain_validity(geom)) invalid gdf[gdf[validity] ! Valid Geometry] print(f无效几何数量: {len(invalid)}) print(invalid[[name, validity]].head(10)) # 检查空几何 empty gdf[gdf.geometry.is_empty] print(f空几何数量: {len(empty)})这段代码先读 shp然后用explain_validity逐条判断几何是否有效无效的会返回“Self-intersection”之类的具体原因。is_empty单独查空几何空几何在后续裁剪时会直接报错。参数上没什么可调的重点是看输出里无效几何的数量和类型如果超过总面数的 1%建议先修复再往下做。2.3 坐标系与投影算面积之前必须做的一步成都市乡镇街道行政区划 shp 文件常见的坐标系有两种WGS84 地理坐标EPSG:4326和 CGCS2000 投影坐标EPSG:4544 或 4545。地理坐标单位是度直接算面积得到的是平方度没有物理意义。做面积统计、缓冲区、密度分析之前必须投影到以米为单位的坐标系。成都位于 CGCS2000 3 度带第 34 带中央经线 102°E对应 EPSG:4544。我一般会在分析前统一转成这个投影代码很简单# 投影转换从 WGS84 转到 CGCS2000 3 度带 gdf_proj gdf.to_crs(epsg4544) # 计算每个街道的面积平方公里 gdf_proj[area_km2] gdf_proj.geometry.area / 1e6 print(gdf_proj[[name, area_km2]].sort_values(area_km2, ascendingFalse).head())to_crs是 geopandas 的投影转换方法传入目标 EPSG 代码即可。面积除以 1e6 是把平方米转成平方公里。这里要注意如果原始 shp 没有.prj文件to_crs会报错因为不知道源坐标系。遇到这种情况先确认数据来源的坐标系用gdf.set_crs(epsg4326)手动指定后再转换。这一步不做后面所有跟距离、面积相关的结论都是错的属于典型的“地基没打牢”。3. 从区县到乡镇街道用 Python 做空间连接和属性关联的完整流程3.1 把 POI 或人口数据挂到街道上的两种方式拿到成都市乡镇街道行政区划 shp 文件之后最常见的操作是把点数据或表格数据挂到街道上。点数据用空间连接表格数据用属性关联。空间连接的核心是判断点落在哪个面里geopandas 的sjoin一行搞定但前提是两者的坐标系一致。我一般会先统一投影再做连接import pandas as pd # 假设 poi_gdf 是已经读入的点数据坐标系与街道一致 poi_gdf gpd.read_file(poi.shp).to_crs(epsg4544) township gdf_proj.copy() # 空间连接点落在哪个街道面内 joined gpd.sjoin(poi_gdf, township, howleft, predicatewithin) # 统计每个街道的点数量 count_by_town joined.groupby(name).size().reset_index(namepoi_count) print(count_by_town.sort_values(poi_count, ascendingFalse).head(10))sjoin的predicatewithin表示点完全落在面内howleft保留所有点没匹配上的点街道名为空。如果点刚好落在边界上within可能判不进去可以换成intersects但那样边界上的点可能被两个街道同时匹配需要去重。参数上how控制保留哪边的记录做统计一般用left保留全部点做筛选可以用inner只留匹配上的。3.2 属性关联用行政区划代码做表连接如果手头是 Excel 或 CSV 格式的人口、经济数据用行政区划代码做表连接更稳。前提是 shp 里的代码列和表格里的代码列类型一致都是字符串。我一般会先检查两边的代码长度和格式# 读取外部表格数据 df pd.read_csv(township_population.csv, dtype{code: str}) # 检查代码长度分布 print(df[code].str.len().value_counts()) print(gdf[code].str.len().value_counts()) # 做表连接 merged gdf.merge(df, left_oncode, right_oncode, howleft) print(f匹配失败数量: {merged[population].isna().sum()})dtype{code: str}强制代码列为字符串避免前导零丢失。两边长度分布要一致比如都是 9 位或 12 位不一致说明有一方截断了。merge之后看population列的空值数量就是没匹配上的街道通常是代码格式不一致或名称有出入。这一步的坑在于有些表格里的代码是数值型读进来变成整数前导零没了长度对不上匹配全失败。3.3 批量裁剪与分区统计以成都市中心城区为例做分析时经常只需要中心城区几个区的街道或者按区县分组统计。用clip做裁剪用dissolve做合并。比如只保留锦江、青羊、金牛、武侯、成华五个区的街道# 中心城区区县名称列表 central_districts [锦江区, 青羊区, 金牛区, 武侯区, 成华区] # 筛选 central gdf_proj[gdf_proj[district].isin(central_districts)] # 按区县合并得到区级边界 district_boundary central.dissolve(bydistrict, aggfuncsum) print(district_boundary[[name, area_km2]]) # 保存结果 central.to_file(chengdu_central_township.shp, encodingutf-8)isin做列表筛选dissolve按区县字段合并面aggfuncsum会把面积字段加总。保存时encodingutf-8保证中文属性不乱码。这一步的实用价值在于很多分析只需要特定区域全量数据拖进去又慢又乱先裁再算能省不少时间。4. 避坑与排查成都市乡镇街道 shp 文件最常见的五个翻车现场4.1 中文乱码属性表打开全是问号现象用 ArcGIS 打开 shp 后属性表里的街道名称显示为乱码或问号。原因shp 的.dbf文件默认编码是 GBK 或 Latin-1而 QGIS 或 Python 按 UTF-8 读取。解决在 QGIS 里右键图层设置编码为 GBK或者用 Python 读取时指定encodinggbk导出时统一转成 UTF-8。我一般会在第一次读取时就试gbk如果报错再换utf-8。4.2 面积算出来是负数或零现象投影后计算面积结果出现负数或零。原因几何无效比如自相交导致面积计算异常或者面方向反了。解决先用buffer(0)修复自相交再重新计算面积。buffer(0)是 shapely 里修复几何的常用技巧能把自相交的面变成有效面。gdf_proj[geometry] gdf_proj.geometry.buffer(0) gdf_proj[area_km2] gdf_proj.geometry.area / 1e64.3 空间连接时点大量丢失现象sjoin之后很多点的街道名为空。原因坐标系不一致或者点落在街道之间的缝隙里。解决先确认两者坐标系一致再用intersects替代within或者先对街道面做微小缓冲比如 0.5 米再连接。缓冲会引入微小误差但能救回边界上的点。4.4 行政区划代码匹配失败现象表连接后大量空值。原因代码列类型不一致一边是字符串一边是数值或者长度不同。解决统一转成字符串检查长度分布必要时补零。成都街道级代码一般是 9 位或 12 位补零到统一长度再匹配。4.5 导出后坐标系丢失现象保存为 shp 后再打开发现坐标系变成未知。原因geopandas 保存时如果没有.prj文件或者源数据没有 CRS。解决保存前确认gdf.crs不为空保存时 geopandas 会自动写.prj。如果源数据没有 CRS先用set_crs指定再保存。5. 进阶用法用街道边界做网格聚合与可视化验证5.1 把街道边界转成网格统计单元做热力图或格网分析时街道边界可以直接作为聚合单元。但如果街道面积差异大比如山区乡镇面积是城区街道的几十倍直接按街道统计密度会失真。我一般会做一个 500 米 × 500 米的渔网再用街道边界裁剪得到每个网格所属的街道这样既能保留街道属性又能做精细化密度分析。import numpy as np from shapely.geometry import box # 获取街道边界的范围 minx, miny, maxx, maxy gdf_proj.total_bounds # 生成 500 米网格 cell_size 500 cols np.arange(minx, maxx, cell_size) rows np.arange(miny, maxy, cell_size) cells [box(x, y, x cell_size, y cell_size) for x in cols for y in rows] # 转成 GeoDataFrame grid gpd.GeoDataFrame({geometry: cells}, crsgdf_proj.crs) # 用街道边界裁剪网格保留街道属性 grid_with_town gpd.overlay(grid, gdf_proj[[name, geometry]], howintersection) print(f网格数量: {len(grid_with_town)})total_bounds返回边界范围box生成矩形网格overlay做相交裁剪。howintersection只保留网格和街道重叠的部分。这样每个网格都带街道名称后续按网格统计 POI 密度再汇总到街道比直接按街道统计更细。5.2 可视化验证用 QGIS 快速检查边界质量代码跑完不代表数据没问题我习惯在 QGIS 里做最后一道视觉检查。把街道边界叠加到天地图或高德底图上看边界是否贴合实际道路和河流。重点看三个地方河流沿岸的街道边界、区县交界处的街道归属、以及飞地比如高新区在武侯区里的飞地。飞地是成都行政区划的一个特点高新区、天府新区直管区都有飞地如果 shp 里飞地归属错了做分区统计时数据会串。QGIS 里用“按属性选择”快速定位飞地再和官方区划图对照。5.3 一个我踩过的坑别用旧版边界做新数据统计最后说一个血泪教训。成都市乡镇街道行政区划调整比较频繁比如乡镇改街道、区县托管调整旧版 shp 的边界和代码可能和新版统计数据对不上。我有一次用 2019 年的街道边界去挂 2023 年的人口数据结果几个新设街道没有边界数据全挂到老街道上统计结果偏差很大。后来养成习惯拿到 shp 先看边界年份和统计数据的年份对齐对不上就找新版边界或者用区县级别做过渡。这个习惯帮我省了很多后悔药。希望帮到你。本文还有配套的精品资源点击获取