Python Pyecharts、Folium和Plotly画地图热力图哪个更好用

一、三大工具的底层架构与热力图机制

热力图在地图可视化中主要有两种截然不同的形态：一种是区域填充热力图（Choropleth Map），依据行政边界或网格多边形填充数值颜色；另一种是核密度连续点热力图（Density Heatmap），根据每个经纬度坐标点的密集程度计算高斯权重，呈现红黄绿渐变的发光晕影。

三个库由于底层依托的前端渲染引擎不同，在这两种热力图上的侧重和实现方式有本质区别：

• Pyecharts：基于百度开源的 ECharts。它将地理坐标映射到内建或外部加载的 GeoJSON 几何多边形上。在区域热力图（Map 类）上极其轻便，提供现成的国内省市矢量包；而在点密集热力图（Geo 类）上，需要依赖静态经纬度字典或绑定在线百度地图底图。
• Folium：基于成熟开源轻量 WebGIS 库 Leaflet.js。它天生具有完整的切片底图（TileLayer）支持，并依赖 folium.plugins.HeatMap 插件通过 Canvas 实时计算连续点核密度，是专业 GIS 和定位轨迹分析的经典方案。
• Plotly：基于 Plotly.js，底层利用 Mapbox GL 和 WebGL 硬件加速。其 density_mapbox 接口能够通过 GPU 并行处理十万级以上的经纬度热力点，动画与无级缩放极为流畅。

二、地图热力图制作的标准操作步骤

无论选用哪个库，制作一张地图热力图的实际操作过程都包含四个明确阶段。很多初学者遇到的地图偏移、空白或卡顿，往往源自数据预处理或底图坐标系不匹配：

三、三个库的代码实现与真实表现对比

1. Pyecharts：行政区域热力图的首选

当你的业务数据是“全国各省份销售额”或“某城市各区县门店数量”时，使用经纬度画点热力图往往并不直观，读者更希望看到行政多边形被按数值高低染上不同深浅的颜色。Pyecharts 的 Map 组件在这种需求下开发效率极高。

# 环境依赖：pip install pyecharts
from pyecharts import options as opts
from pyecharts.charts import Map

# 模拟各省指标数据
data = [
    ("广东", 1320), ("山东", 980), ("河南", 850),
    ("四川", 820), ("江苏", 1210), ("浙江", 1090)
]

c = (
    Map()
    .add("活跃用户数", data, "china")
    .set_global_opts(
        title_opts=opts.TitleOpts(title="省份热力分布图"),
        visualmap_opts=opts.VisualMapOpts(
            max_=1500,
            is_piecewise=False,  # 连续渐变色条
            range_color=["#EBF3FA", "#477DAD", "#1E3A8A"]
        ),
    )
    .render("pyecharts_map.html")
)

优点：不需要申请任何外部地图 Token，生成的单个 HTML 文件完全自包含，鼠标滑过自动弹出漂亮的 Tooltip；与 Vue、Django 等前端大屏结合极为自然。

局限：无法像标准 GIS 软件那样平滑缩放到街道级别查看道路瓦片；如果要画基于经纬度的连续核密度热力图，必须配置 BMap（百度地图扩展）并申请百度开发密钥，配置链路较长。

2. Folium：经纬度定位与 WebGIS 探索的标杆

如果数据是一连串 GPS 打点（如外卖骑手骑行轨迹、城市充电桩分布、传感器坐标），Folium 是最纯粹、最容易上手的选择。通过内置的 HeatMap 插件，只需要几行代码即可生成带瓦片背景的高质量热力图。

# 环境依赖：pip install folium
import folium
from folium.plugins import HeatMap

# 模拟经纬度点列表：[纬度 lat, 经度 lon, 权重 weight]
heat_data = [
    [39.9042, 116.4074, 1.0],
    [39.9142, 116.4174, 0.8],
    [39.8942, 116.3974, 0.5],
    [31.2304, 121.4737, 1.2],
    [31.2204, 121.4837, 0.9]
]

# 以北京为中心初始化底图
m = folium.Map(
    location=[39.9042, 116.4074],
    zoom_start=11,
    tiles="CartoDB positron"  # 清爽的浅色底图
)

# 添加热力图层
HeatMap(heat_data, radius=15, blur=10, max_zoom=13).add_to(m)

# 保存为独立 HTML
m.save("folium_heatmap.html")

优点：生态非常成熟，支持自由切换多种在线瓦片（高德瓦片、OpenStreetMap、CartoDB 等）；缩放地图时热力图会随当前视口自适应重新聚合；与 Jupyter Notebook 深度集成，直接在单元格内交互。

局限：由于基于 Leaflet 并在 DOM/Canvas 中渲染，当数据点超过 3-5 万时，在低配浏览器或手机端缩放会有明显的卡顿或掉帧。

3. Plotly：高性能 WebGL 与数据分析一体化利器

在现代数据科学场景中，数据通常已经在 Pandas DataFrame 中。Plotly Express 提供了 px.density_mapbox，底层直接驱动 Mapbox GL 和 WebGL 渲染，特别适合大规模数据交互。

# 环境依赖：pip install plotly pandas
import plotly.express as px
import pandas as pd

# 准备包含经纬度和强度的 DataFrame
df = pd.DataFrame({
    "lat": [39.9042, 39.9142, 39.8942, 31.2304, 31.2204],
    "lon": [116.4074, 116.4174, 116.3974, 121.4737, 121.4837],
    "intensity": [100, 80, 50, 120, 95]
})

fig = px.density_mapbox(
    df,
    lat="lat",
    lon="lon",
    z="intensity",
    radius=20,
    center=dict(lat=35.0, lon=105.0),
    zoom=4,
    mapbox_style="open-street-map"  # 免 Token 开源底图样式
)

fig.update_layout(margin=dict(l=0, r=0, t=0, b=0))
fig.write_html("plotly_heatmap.html")

优点：图形基于 WebGL 加速，数十万个数据点依然能保持 60 帧无卡顿缩放；与 Dash 框架结合可以做非常强大的交互过滤；原生支持图例点击显隐和框选。

局限：Plotly 的完整 JS 运行库体积较重（生成的单 HTML 文件通常在 3MB 以上）；若要使用 Mapbox 官方的高级暗黑/卫星矢量样式，必须注册账号并配置 mapbox_token。

四、关键技术维度深度对比

为了让决策更有针对性，下表与图示从核心特性、性能表现和使用门槛对三者进行了量化对比：

五、场景化选型决策指南

面对具体项目时，不需要反复尝试三个库，只需顺着以下决策树回答三个关键问题，即可确定最佳选择：

六、实操注意事项与常见避坑指南

七、总结

回到标题的问题：“Python Pyecharts、Folium和Plotly画地图热力图哪个更好用？”

答案并不在于三个库谁的代码更优雅，而在于你手头的数据需要呈现给谁看：

1. 如果目标是省级/市级业务汇总、对外展示大屏，追求免配置开箱即用和离线分发，Pyecharts 最好用。
2. 如果目标是地理信息研究、巡检打点、外卖配送轨迹等标准 GIS 瓦片层面的经纬度分析，Folium 最好用。
3. 如果目标是探索海量数据模式、构建交互式 Dash 商业看板，追求极致的渲染性能与统一的数据分析体验，Plotly 最好用。