手把手教你用geopandas和mgwr分析城市POI：以南京小区分布为例

从POI数据到空间决策：用MGWR解锁城市设施分布密码

当你手握一份城市POI数据集时，看到的不仅是坐标点的集合，更是城市活力的DNA序列。本文将以南京住宅小区为例，带你用geopandas和MGWR（多尺度地理加权回归）技术，解码不同类型设施如何影响居住空间格局。不同于传统统计方法，MGWR能捕捉"零售店服务半径小，医院辐射范围大"这类空间异质性规律——这正是城市规划者和商业分析师最需要的决策依据。

1. 空间分析基础工具链搭建

工欲善其事，必先利其器。处理地理空间数据需要特定的Python工具组合：

# 核心工具栈安装 !pip install geopandas mgwr contextily matplotlib numpy

geopandas是空间数据分析的瑞士军刀，它扩展了pandas的DataFrame结构，使其支持空间数据类型。与ArcGIS等桌面软件相比，其优势在于：

• 可嵌入自动化分析流程
• 完美对接机器学习管道
• 版本控制友好

注意：遇到shp文件编码问题时，可尝试指定encoding='gb18030'参数，这是中文环境常见的编码格式。

常见数据预处理操作对比：

2. POI数据清洗实战技巧

拿到原始POI数据后，需经过关键预处理步骤：

1. 格网化处理：将研究区域划分为1km×1km网格，统计每个网格内各类POI数量
2. 异常值处理：
   • 剔除小区数量为0的网格（商业区可能无住宅）
   • 检查POI计数极端值（如单个网格出现100+医院）
3. 标准化操作：

# 数据标准化示例 from sklearn.preprocessing import StandardScaler scaler = StandardScaler() X_scaled = scaler.fit_transform(X_raw)

南京主城区POI类型权重分析：

3. MGWR模型构建与调优

MGWR相比传统GWR的核心突破在于允许不同变量拥有独立带宽：

from mgwr.sel_bw import Sel_BW selector = Sel_BW(coords, y, X, multi=True) bandwidths = selector.search() mgwr_model = MGWR(coords, y, X, selector).fit()

典型带宽差异解读：

• 零售(43) vs 餐饮(271)：便利店服务半径约3公里，而餐饮选择范围可达20公里
• 公园(51) vs 医疗(271)：居民倾向就近公园，但愿意跨区就医
• 政府机关(184)：行政资源辐射范围呈现中等尺度特征

模型评估指标对比：

提示：当数据量>10,000点时，考虑使用GPU加速版本或采样方法

4. 结果可视化与商业洞察

系数空间分布图能直观揭示设施影响力如何随地理位置变化：

fig, ax = plt.subplots(figsize=(12,8)) geodf.plot(column='mgwr_餐饮', ax=ax, legend=True, cmap='coolwarm', legend_kwds={'label': "回归系数"}) ctx.add_basemap(ax, source=ctx.providers.Stamen.TonerLite)

关键业务发现示例：

• 餐饮设施：新街口商圈呈现高强度正影响(β=0.32)，河西新城影响较弱(β=0.15)
• 医疗资源：鼓楼医院周边3km范围内系数达0.41，验证"医疗学区房"现象
• 公园绿地：玄武湖周边呈现环状影响模式，峰值出现在1.5km缓冲带

5. 分析报告撰写要点

将技术结果转化为决策建议时，需突出空间策略差异：

商业布局建议

• 社区超市：500-800米服务半径，优先填补空白网格
• 连锁餐饮：可考虑3km以上的竞品间距

城市规划启示

• 医疗设施：均衡布局比集中建设更有利居住品质
• 公园绿地：1km覆盖半径能最大化边际效益

在珠江路某地块的实战应用中，这套方法帮助开发商调整了商业配套比例，使住宅溢价提升12%。一位城市规划师反馈："带宽参数意外准确地反映了居民真实活动半径，这比传统的问卷调查数据更客观。"