全国地铁数据采集、处理与应用实战：从GCJ-02坐标到网络分析

1. 项目缘起：一份地铁数据能做什么？

最近在做一个城市通勤效率分析的小项目，需要用到全国主要城市的地铁站点坐标和线路信息。我本以为这是个简单的需求，上网一搜“地铁数据”，结果发现情况远比想象中复杂。要么是数据陈旧，停留在2020年甚至更早；要么是格式混乱，一个城市一个样，有的用CSV，有的用JSON，经纬度坐标系还不统一；更头疼的是，很多所谓“开源”的数据集，实际上是从某些地图服务商的API里爬取的，不仅存在法律风险，数据的完整性和准确性也存疑。折腾了好几天，项目进度卡在数据准备阶段，这让我下定决心，自己动手整理一份靠谱的、更新及时的全国地铁数据。

这份“全国各大城市地铁站数据（更新至2023-05）”就是这次折腾的成果。它不仅仅是一个简单的站点列表，而是包含了城市、线路名称、站点名称、经纬度坐标（GCJ-02坐标系）、站点序号等关键字段的结构化数据。对于数据分析师、城市规划爱好者、交通研究者，或者是想开发一款通勤类App的开发者来说，这样一份干净、统一、可追溯的数据，能省去大量数据清洗和校验的时间，让你直接进入核心的分析或开发环节。接下来，我就详细拆解这份数据的来龙去脉、处理过程中的关键决策，以及如何在实际项目中应用它。

2. 数据采集：源头、方法与合法性边界

数据质量的核心在于源头。为了保证数据的权威性和准确性，我放弃了从商业地图API或第三方聚合网站抓取的想法，而是将目光投向了各城市地铁运营公司的官方发布渠道。

2.1 官方数据源的识别与抓取策略

我主要依赖两类官方数据源：一是各城市轨道交通集团官方网站的“线路查询”或“车站信息”页面；二是政府数据开放平台，例如“北京市政务数据资源网”、“上海市公共数据开放平台”等。这些平台通常会以标准格式（如JSON、XML）提供包括站点坐标、线路走向在内的静态数据，更新相对及时，且具有官方背书。

采集工具上，我选择了Python的requests库配合BeautifulSoup进行网页解析。对于结构清晰的HTML页面，编写定向的解析脚本即可。例如，某个城市地铁官网的站点列表页，其HTML结构通常是规整的<ul>和<li>标签嵌套，很容易定位到站点名称。关键挑战在于获取经纬度坐标。很多官网并不直接显示坐标，但会嵌入一个在线地图（如高德、百度地图）来展示站点位置。

这里就用到了一个技巧：通过浏览器的开发者工具（F12），监控网络请求。当地图加载或点击站点时，浏览器会向地图服务商的接口发送请求，这个请求的URL参数或返回的JSON数据中，往往就包含了精确的经纬度坐标。我的脚本就是模拟这一过程，通过解析这些网络请求来提取坐标。必须强调的是，这个过程仅用于获取公开显示的数据，且严格控制请求频率，避免对目标服务器造成压力，这是数据采集者的基本素养。

2.2 坐标系的选择与统一：为什么是GCJ-02？

从不同渠道获取的坐标，可能基于不同的坐标系，最常见的有WGS-84（GPS标准）、GCJ-02（中国官方加密坐标系）、BD-09（百度坐标系）。如果混用，会导致地图上的点位漂移几百米甚至上千米。

我最终选择将所有坐标统一转换为GCJ-02坐标系。这是基于以下考虑：

1. 应用场景适配：在国内主流的地图应用开发中，高德地图、腾讯地图的底层坐标均为GCJ-02。使用这个坐标系，数据可以无缝对接到这些平台进行可视化或路径规划。
2. 数据源倾向：许多官方数据源或基于其的地图服务，输出的坐标本身就是GCJ-02。统一至此，可以减少不必要的转换次数，降低误差累积。
3. 转换可行性：从WGS-84到GCJ-02的加密算法是公开的（虽然逆向解密不鼓励），有成熟的开源库（如Python的coordtransform）可以完成批量转换。而从GCJ-02到BD-09的转换也是确定的。

注意：坐标转换会引入微小误差，但对于地铁站点定位（通常精度在10-50米级别）而言，这个误差在可接受范围内。关键在于整个数据集保持坐标系一致。

2.3 数据清洗与结构化：从原始信息到可用字段

原始抓取下来的数据是杂乱无章的文本。清洗和结构化是赋予数据价值的关键一步。我使用pandas库在Python中完成了主要工作。

核心清洗步骤包括：

1. 去重与纠错：合并因不同名称（如“火车站”与“XX站”）指向同一站点的记录。对照官方线路图，人工校验站点顺序和名称的正确性，特别是对于新开通的线路和站点。
2. 字段标准化：建立统一的数据结构。最终确定的字段如下：
   • city_name：城市中文名（如“北京市”）。
   • line_name：地铁线路名称（如“1号线”、“大兴机场线”）。
   • station_name：站点名称（如“西单”、“虹桥2号航站楼”）。
   • longitude：经度（GCJ-02坐标系）。
   • latitude：纬度（GCJ-02坐标系）。
   • sequence：该站点在线路上的序号（从1开始计数，用于判断方向和相邻关系）。
3. 异常值处理：检查经纬度坐标是否存在明显异常（如超出城市边界、落在水域中央）。对于个别无法通过脚本获取或明显错误的数据，采用交叉验证法：对比多个官方或权威地图服务上的位置，取最集中的点位，必要时进行手工修正。

这个过程耗时最长，需要极大的耐心和细心。一个城市的线路图可能要反复核对好几遍。但正是这份笨功夫，保证了最终数据集的可靠性。

3. 数据集详解：内容、边界与文件格式

截至2023年5月，这份数据集覆盖了国内所有已开通地铁运营的40余座城市，包括北京、上海、广州、深圳等一线城市，以及成都、杭州、武汉、南京等新一线城市，也涵盖了徐州、绍兴、洛阳等二三线城市的地铁系统。

3.1 数据内容与统计概览

数据集以城市为单位组织。每个城市一个独立的CSV文件，文件名即为城市名（如beijing.csv）。打开任意一个文件，你会看到类似下面的数据片段（以北京地铁部分数据为例）：

数据统计：全部数据合并后，总计包含超过5000个地铁站点，涉及超过200条地铁线路。数据量足以支撑宏观的城市群分析，也能满足对单一城市的深度挖掘。

3.2 数据边界与局限性说明

没有任何数据集是完美的，明确边界能帮助你更好地使用它。

1. 时间边界：“更新至2023-05”意味着数据集包含了截至2023年5月已开通运营的线路和站点。2023年5月之后新开通的线路（例如北京地铁17号线北段、上海地铁18号线二期等）不在本次数据范围内。
2. 空间边界：仅包含地铁系统（含地铁、轻轨、有轨电车等城市轨道交通制式）。市域铁路、城际铁路如未纳入地铁运营体系（如上海的“金山铁路”），则未包含在内。
3. 属性边界：数据集聚焦于空间位置和拓扑关系（站点、线路、顺序）。不包含以下信息：
   • 站点出入口位置、换乘通道距离。
   • 首末班车时间、发车间隔。
   • 站点周边POI（商业、住宅）。
   • 线路建设年份、造价等非空间属性。

   提示：这些附加信息可以通过其他开放数据源（如POI数据、公交时刻表）与本数据集进行关联分析，从而衍生出更丰富的应用。

3.3 文件格式与使用建议

选择CSV格式是出于最大程度的兼容性。几乎任何数据分析工具（Excel, Python pandas, R, SQL数据库）都能轻松读取CSV文件。

使用建议：

• 编码：文件使用UTF-8编码保存，避免中文乱码问题。
• 读取：在Python中，使用pandas.read_csv(‘city_name.csv’)即可加载。
• 合并：如果需要全国数据，可以遍历所有城市文件，用pandas.concat()进行合并。
• 可视化：将longitude和latitude字段直接作为x, y坐标，即可在地图库（如Python的folium,kepler.gl，或JavaScript的Leaflet）中绘制出地铁网络图。

4. 实战应用：从数据到洞察的四个场景

有了干净的数据，我们就可以玩出很多花样了。下面分享几个我实际尝试过的应用场景，并附上关键代码思路。

4.1 场景一：城市地铁网络拓扑结构分析

地铁网络本质是一个图（Graph），站点是节点（Node），相邻站点间的连接是边（Edge）。利用networkx这样的图分析库，我们可以计算许多有价值的指标。

核心分析指标与实现：

1. 度中心性（Degree Centrality）：一个站点的连接数（即经过的线路数）。换乘站的度中心性最高。这能帮你快速识别城市的核心枢纽。

   import networkx as nx import pandas as pd # 假设df是某个城市的数据 G = nx.Graph() # 添加节点（站点） for station in df[‘station_name’].unique(): G.add_node(station) # 添加边（同一线路上相邻站点） for line in df[‘line_name’].unique(): line_df = df[df[‘line_name’] == line].sort_values(‘sequence’) for i in range(len(line_df)-1): G.add_edge(line_df.iloc[i][‘station_name’], line_df.iloc[i+1][‘station_name’]) # 计算度中心性 degree_centrality = nx.degree_centrality(G) # 找出度最高的前5个站点（通常是换乘站） top_hubs = sorted(degree_centrality.items(), key=lambda x: x[1], reverse=True)[:5]

2. 平均路径长度与聚类系数：衡量网络的“紧密”程度。平均路径长度短，说明从任意一站到另一站平均需要经过的站点数少，网络效率高。聚类系数高，说明站点之间容易形成小团体（比如某片区域站点密集连接）。对比不同城市这些指标，能看出其地铁网络规划风格的差异（是放射状、网格状还是环状混合）。

4.2 场景二：基于空间距离的站点服务范围模拟

一个站点的服务能力并非局限于其出入口，而是覆盖周边一定步行距离（如800米）的区域。我们可以用缓冲区分析来模拟这个服务范围。

使用GeoPandas进行空间分析：

import geopandas as gpd from shapely.geometry import Point import matplotlib.pyplot as plt # 将DataFrame转换为GeoDataFrame geometry = [Point(xy) for xy in zip(df[‘longitude’], df[‘latitude’])] gdf = gpd.GeoDataFrame(df, geometry=geometry, crs=‘EPSG:4326’) # WGS84 # 转换为投影坐标系（如UTM）以便进行米制距离计算 gdf_projected = gdf.to_crs(‘EPSG:32650’) # 以北京所在的UTM 50N为例 # 创建800米缓冲区 gdf_projected[‘buffer’] = gdf_projected.geometry.buffer(800) # 800米 # 可视化 fig, ax = plt.subplots(figsize=(10, 10)) gdf_projected.buffer.plot(ax=ax, alpha=0.3, color=‘blue’) # 服务范围 gdf_projected.plot(ax=ax, color=‘red’, markersize=5) # 站点

通过叠加城市行政区划或人口热力图，可以进一步分析地铁服务对人口、就业的覆盖情况，识别轨道交通的“盲区”。

4.3 场景三：地铁房价值分析的简单模型

虽然房价受多重因素影响，但距地铁站的距离无疑是一个强相关因子。我们可以用这份数据快速计算房产（或小区）到最近地铁站的距离。

计算最近地铁站距离：

from scipy.spatial import cKDTree import numpy as np # 假设property_df是包含房产经纬度的DataFrame # 提取地铁站坐标数组 station_coords = np.array(list(zip(df[‘longitude’], df[‘latitude’]))) # 构建地铁站坐标的KD-Tree（快速最近邻查询） tree = cKDTree(station_coords) # 房产坐标 property_coords = np.array(list(zip(property_df[‘lng’], property_df[‘lat’]))) # 查询每个房产到最近地铁站的距离（返回距离和索引） distances, indices = tree.query(property_coords, k=1) # k=1找最近的一个 # distances即为直线距离（度），可近似转换为米（1度约111公里） property_df[‘distance_to_nearest_subway_km’] = distances * 111

将这个距离字段加入房价回归模型，你会发现它通常是一个显著的负向预测因子。当然，更精细的模型还需要考虑步行路径距离、换乘便利性等。

4.4 场景四：城市间地铁网络发展对比可视化

将多个城市的数据放在同一张地图上，可以直观对比不同城市地铁网络的密度、形态和规模。

使用Folium制作交互式对比地图：

import folium # 创建底图，中心点设在中国中部 m = folium.Map(location=[35, 105], zoom_start=4) # 为不同城市定义不同颜色 city_colors = {‘北京市’: ‘red’, ‘上海市’: ‘blue’, ‘广州市’: ‘green’, ‘深圳市’: ‘purple’} for city, color in city_colors.items(): city_df = df[df[‘city_name’] == city] # 为每条线路添加PolyLine for line in city_df[‘line_name’].unique(): line_df = city_df[city_df[‘line_name’] == line].sort_values(‘sequence’) locations = line_df[[‘latitude’, ‘longitude’]].values.tolist() folium.PolyLine(locations, color=color, weight=2.5, opacity=0.7, popup=f‘{city} - {line}’).add_to(m) # 保存为HTML文件 m.save(‘subway_network_comparison.html’)

生成的HTML文件可以在浏览器中打开，你可以缩放、点击查看线路信息，非常直观地看到北上广深地铁网络在形态上的差异（北京环形放射、上海密集网格、广州十字骨架等）。

5. 数据维护、扩展与协作建议

静态数据会过时，而城市地铁每天都在生长。如何让这份数据保持活力？

5.1 数据更新机制

我建立了一个半自动化的更新流程：

1. 监控源：订阅各城市地铁官方公众号、新闻，关注“开通试运营”等关键词。同时定期（如每季度）扫描一次政府数据开放平台。
2. 增量更新：当发现新线路开通信息后，手动执行一次针对该城市的采集脚本。脚本被设计为“增量模式”，即只抓取和合并新数据，不会覆盖已验证的旧数据。
3. 版本管理：使用Git进行版本控制。每次更新提交一个新的版本标签（如v2023-11），并在README.md中清晰记录更新日志（更新日期、新增城市、新增线路）。这样，使用者可以根据需要获取特定时间点的数据快照。

5.2 数据质量校验清单

在每次更新或使用前，建议运行一个简单的校验脚本，检查以下常见问题：

• 坐标漂移：随机抽样部分站点，将其坐标在高德/腾讯地图开放平台（提供坐标转换和展示API）上显示，肉眼核对位置是否准确。
• 拓扑错误：检查每条线路的站点sequence是否连续，是否有重复或缺失。
• 命名一致性：检查同一站点在不同线路中名称是否一致（特别是换乘站）。
• 字段完整性：检查是否有任何一条记录的必填字段（城市、线路、站点、坐标）为空。

5.3 向社区开放与协作

我将这份数据集托管在了GitHub上，并采用了CC BY 4.0（知识共享署名）协议。这意味着任何人都可以自由地使用、分享甚至基于它进行创作，只需注明原始来源。

我期待的协作方式：

1. Issue反馈：如果你在使用中发现任何错误（站点缺失、坐标不准、线路错误），欢迎在GitHub仓库提交Issue，附上官方来源链接，我会尽快核实并修复。
2. Pull Request：如果你自己补充了某个城市的新线路数据，或者增加了新的字段（如车站编号、站台形式），非常鼓励你发起Pull Request。这是让数据集共同进化的最佳途径。
3. 应用案例分享：如果你用这份数据做出了有趣的分析或应用，也欢迎在讨论区分享。你的用例可能会启发其他人，甚至推动数据集增加新的维度。

整理数据的过程，就像是在绘制一幅动态的城市脉络图。最初只是为了解决自己的问题，但看到这份数据能被用于学术研究、商业分析甚至公益项目时，觉得所有的繁琐工作都是值得的。数据本身是冰冷的坐标点，但当它与人的活动、城市的生长结合在一起时，就产生了温度和价值。希望这份持续更新的地铁数据，能成为你探索城市、构建应用的一块可靠基石。如果在使用中遇到任何问题，或者有好的想法，随时可以交流。