简介2021年全国村名点数据以Shapefile格式整理面向地理信息、城乡规划、乡村治理、地图制图与空间分析方向的学习者和研究人员可用于村名点位分布展示、行政区划核验、POI数据比对、专题底图制作及GIS课程实验。压缩包共6个文件约88.73MB包含shp几何数据、dbf属性表、prj坐标定义、shx空间索引、xml元数据与txt说明文档文件类型完整便于在ArcGIS、QGIS等软件中直接读取、查看属性并检查数据完整性。该资源已有397人学习下载适合需要快速获取全国村级点位底图、开展空间可视化或将其作为其他专题数据基础底图的使用者。借助属性表与坐标信息读者可进一步完成点位筛选、区域统计、地图表达和数据质量核对为乡村相关研究、规划分析与教学演示提供较高效的数据准备基础。1. 2021年全国村名点数据几十万行经纬度背后真正难的是口径2021年全国村名点数据拿到的第一眼通常就是一个几十万行的表格省、市、县、乡、村五级名称一组编码一对经纬度。它解决的事情非常具体——把「某村在哪」从一个模糊的行政区概念变成一对能落到地图上的坐标。地址补全、末端网点分单、县域商业覆盖测算、涉农业务的区域归属判定只要业务表里出现「村」这个粒度基本都要靠它。适合谁用做地址解析和地理编码的后端、做区域数据分析的同学、需要把业务明细和行政区划对上的数仓工程师。不适合谁指望拿它当行政区划面用的人。村名点是点不是边界村庄的辖域范围它一个字都没说。更要命的是同一份数据里「村名」这一个字段可能同时存在三种写法编码也可能跨了两个统计年度。下面按照「字段长什么样、怎么清洗、怎么入库、哪里会出问题、怎么验证」的顺序把这份数据从头到尾用一遍。2. 从编码到坐标一条村名点记录的字段该怎么设计村名点看着简单但真正决定它能不能用的是三个东西来源口径、编码体系、坐标系。这三个定不下来后面写多少清洗代码都是白费。2.1 三种常见来源口径差得很远市面上流通的 2021 年全国村名点数据来源大致三类字段名几乎一样内容差别不小。第一类是地名普查成果转化来的点位。名称经过规范化处理覆盖最全村委会、自然村都有坐标多以村委会村民委员会驻地为准但采集年代跨度大早期设备精度有限部分是图上量取的。第二类是统计用区划代码配套的点位。编码最权威村级是 12 位码一年一版点位多为驻地近似位置主要服务统计口径坐标精度往往不是它的重点。第三类是从地图 POI 抽取的。坐标精度相对好但名称口语化严重「XX 村委会」「XX 村」「XX 大队」混着来覆盖也不均匀还会混进同名的商业机构。维度地名普查成果统计区划代码配套地图 POI 抽取名称规范度高中低覆盖完整性高高中偏远地区稀疏坐标精度参差驻地近似相对较好编码可用性中高低常缺失年度更新不定期年度持续但无版本概念我一般的做法是以编码为骨架把另外两个来源当坐标补丁。理由很实在——编码是唯一能和统计、财政、邮政、下游业务表对上的键名称可以改坐标可以修编码一错后面全是连锁反应。所以先把 12 位村级码当主键建起来再去补名称和坐标缺哪个补哪个。2.2 字段设计别只留名字和经纬度一条能撑住生产环境的村名点记录至少要这些字段。字段类型说明adcode12char(12)村级 12 位码省2市2县2乡3村3nametext规范化后的村名去掉「村委会」等后缀prov/city/county/towntext四级上级名称用于展示和模糊匹配urban_ruralchar(3)城乡分类代码111/112/121/122/123/210/220lon/latnumeric经纬度保留 6 位小数即可coord_systext坐标系标识wgs84 或加密坐标系precsmallint精度等级1 实测、2 驻地近似、3 图上量取verdate数据版本落到具体年月urban_rural这个字段很多人直接扔掉其实很有用。111 主城区、112 城乡结合区、121 镇中心区、122 镇乡结合区、123 特殊区域、210 乡中心区、220 村庄这七类基本能区分「这是城市社区还是真正的行政村」。做末端网点分单时把 111 和 220 混在一起算平均距离结果一定是错的。prec是我强烈建议加的。没有精度标识的点位下游会默认它和实测坐标一样准然后拿去做 500 米半径的商圈分析结论直接失真。有了这一位至少能在查询时加WHERE prec 2把低精度点排除掉。2.3 坐标系必须先确定下来这是最容易出问题的地方。国内地图服务商普遍使用加密偏移坐标系和 WGS84 之间有几十米到几百米不等的系统性偏移。村级点位本来就密一个县动辄几百个村平均间距可能只有一两公里几百米的偏移足以让 A 村的点落进 B 村的耕地里。常见的处理方式有两种一是全量统一转到 WGS84 存储展示时再按需转出去二是按来源分别打标查询时按coord_sys过滤。我倾向第一种但要注意转换是有损的来回转两次误差会累积所以只在入库前转一次之后不再动。from pyproj import Transformer # 存储统一用 WGS84这里只演示投影换算用于距离和面积计算 to_3857 Transformer.from_crs(EPSG:4326, EPSG:3857, always_xyTrue) to_4326 Transformer.from_crs(EPSG:3857, EPSG:4326, always_xyTrue) lon, lat 116.0, 40.0 # 示例坐标 x, y to_3857.transform(lon, lat) print(x, y)这段代码里always_xyTrue是关键参数。默认情况下 pyproj 会按 EPSG 定义里的轴序处理某些坐标系是「纬度在前」不显式指定就很容易把经纬度写反写反之后点会跑到几千公里外——这是很典型的一类数据出错。另外批量转换不要逐点调用transform把列表或数组一次性传进去几万点的量级差距能到十几倍。加密坐标系的偏移转换网上有成熟实现注意两点转换方向正向还是反向必须和coord_sys字段对齐转换函数不是严格可逆的别拿它当无损编解码用。3. 清洗与校验把 CSV 变成能上图、能入库的村名点图层原始表格直接入库基本上第二天就会有人来找你。清洗的目标不是「干净」而是「可解释」——每一条被丢掉或改动的记录都要能说清为什么。3.1 读入与字段规范化第一步是把列名统一、把名称里的脏东西去掉。看起来琐碎但这一步决定了后面按名称匹配的命中率。import re import pandas as pd RAW village_points_2021.csv USE { province: prov, city: city, county: county, town: town, village: name, code: adcode12, lng: lon, lat: lat, type: urban_rural, } # utf-8-sig 吃掉 BOM否则第一列列名会带不可见字符 df pd.read_csv(RAW, dtypestr, keep_default_naFalse, encodingutf-8-sig) df df.rename(columns{k: v for k, v in USE.items() if k in df.columns}) def norm_name(s: str) - str: s s.replace(\u3000, ).strip() s s.replace(, ().replace(, )) # 只去掉行政后缀别动地名本身 s re.sub(r(村民委员会|村委会|居民委员会|居委会)$, , s) return re.sub(r\s, , s) df[name] df[name].map(norm_name) df[lon] pd.to_numeric(df[lon], errorscoerce) df[lat] pd.to_numeric(df[lat], errorscoerce)几个参数值得说清楚。dtypestr必须加否则像010这样的编码会被 pandas 悄悄转成整数 1012 位码里只要有一段的段首是 0整条记录就废了。keep_default_naFalse是为了避免空字符串被当成 NaN 再被转成nan写进库。errorscoerce让非数字坐标变成 NaN 而不是直接抛异常——批量任务里一条坏数据不应该让整个文件失败。正则里只去掉了「村民委员会/村委会」这类行政后缀没有去掉「村」字。原因是很多村名本身就以「村」结尾比如「X 村」是正式名统一去「村」会造成大面积误伤。3.2 坐标粗筛与「点在面内」校验清洗完格式下一步是校验坐标到底合不合理。两道检查粗筛范围再做面内判断。import geopandas as gpd # 第一道非零、非空、在合法经纬度范围内 ok (df[lon].between(-180, 180) df[lat].between(-90, 90) (df[lon] ! 0) (df[lat] ! 0)) print(坐标非法:, (~ok).sum()) df df[ok].copy() # 第二道点必须落在它所属的县级单元内 pts gpd.GeoDataFrame( df, geometrygpd.points_from_xy(df[lon], df[lat]), crsEPSG:4326 ) county gpd.read_file(county_boundary.gpkg)[[adcode6, geometry]] hit gpd.sjoin(pts, county, howleft, predicatewithin) hit[adcode6_pt] hit[adcode12].str[:6] bad hit[hit[adcode6].isna() | (hit[adcode6] ! hit[adcode6_pt])] print(位置与编码不匹配:, len(bad), 占比, round(len(bad) / len(hit), 4))sjoin的predicatewithin表示点完全落在面内边界上的点不算。这会造成少量误报——沿边界的村点位正好压在界线上就会被判为不匹配。处理办法是对没命中的记录再做一次 50 米缓冲内的距离判断而不是直接删。miss hit[hit[adcode6].isna()].copy() near gpd.sjoin_nearest( miss, county, howleft, max_distance0.0005 # 约 50 米 )max_distance单位是度0.0005 度在纬向上大约 55 米、经向上随纬度变化做粗筛够用。要精确就用投影后的米制坐标算。这一步跑完通常能抓出 0.5%3% 的点位错位比例高低取决于数据源如果超过 5%基本可以判断坐标系搞错了不是个别脏数据的问题。3.3 重名村消歧不要指望 top1全国范围内同名村的数量远超想象「新村」「向阳村」「太平村」这类名字可能有几百上千个。查询端拿着一个村名来问坐标直接LIMIT 1返回错答案的概率非常高。我的做法是返回候选列表加打分让调用方带上上下文。import numpy as np def rank_candidates(query, cand, countyNone, townNone, nearNone): cand: 同一村名的候选集near: (lon, lat) 参考点可为 None s pd.Series(0.0, indexcand.index) s (cand[name] query).astype(float) * 1.0 if county: s (cand[county] county).astype(float) * 3.0 if town: s (cand[town] town).astype(float) * 2.0 if near is not None: d haversine(near, cand[lon].to_numpy(), cand[lat].to_numpy()) s np.clip(1 - d / 50000.0, 0, 1) # 50km 内线性衰减 return cand.assign(scores).sort_values(score, ascendingFalse) def haversine(p, lon, lat): R 6371000.0 lon1, lat1 np.radians(p[0]), np.radians(p[1]) lon2, lat2 np.radians(lon), np.radians(lat) dlon, dlat lon2 - lon1, lat2 - lat1 a np.sin(dlat / 2) ** 2 np.cos(lat1) * np.cos(lat2) * np.sin(dlon / 2) ** 2 return 2 * R * np.arcsin(np.sqrt(a))打分权重的顺序是县级匹配 3 分 乡镇匹配 2 分 附近 50 公里 1 分 名称完全一致 1 分。这个权重不是拍脑袋定的是踩过坑之后调的——最开始名称权重给得高结果「XX 村」在三个省都有名称都一样权重完全不起作用等于没排。上级行政区才是真正有区分度的信息。4. 落库与检索按村名、按半径查点在 200ms 内返回清洗完的数据最终要能查。几十万条记录用 CSV 全表扫也能跑但一旦并发上来或者要做半径查询就必须上空间索引。4.1 建表与批量导入CREATE TABLE village_point ( id bigserial PRIMARY KEY, adcode12 char(12) NOT NULL, name text NOT NULL, prov text, city text, county text, town text, urban_rural char(3), lon numeric(9,6) NOT NULL, lat numeric(9,6) NOT NULL, coord_sys text NOT NULL DEFAULT wgs84, prec smallint NOT NULL DEFAULT 2, ver date NOT NULL, geom geometry(Point, 4326) ); CREATE INDEX idx_vp_geom ON village_point USING gist (geom); CREATE INDEX idx_vp_name ON village_point USING gin (name gin_trgm_ops); CREATE INDEX idx_vp_adcode ON village_point (adcode12);三个索引各司其职gist撑半径和矩形查询gin trgm撑村名的模糊匹配LIKE %XX%也能走索引adcode12撑精确关联。trgm需要先CREATE EXTENSION pg_trgm。导入用COPY而不是逐条INSERT几十万行的差距是分钟和小时的差别。psql -h 127.0.0.1 -d geo -c \copy village_point(adcode12,name,prov,city,county,town,urban_rural,lon,lat,coord_sys,prec,ver) FROM vp2021.csv WITH (FORMAT csv, HEADER true) psql -h 127.0.0.1 -d geo -c UPDATE village_point SET geom ST_SetSRID(ST_MakePoint(lon, lat), 4326) WHERE geom IS NULL;ST_MakePoint(lon, lat)的参数顺序是经度在前写反了不会报错但点会跑到南极附近属于那种「跑完没报错、上线才发现」的错误。4.2 半径查询别让类型转换失去索引这是最容易犯的一个错误也是性能差异最大的一处。-- 反例整表顺序扫描几十万行要几百毫秒到几秒 SELECT name FROM village_point WHERE ST_DWithin(geom::geography, ST_SetSRID(ST_MakePoint(:lon, :lat), 4326)::geography, 3000); -- 正例先用外接矩形走 gist 索引再算精确距离 SELECT name, ST_Distance(geom::geography, ref.g::geography) AS dist_m FROM village_point, (SELECT ST_SetSRID(ST_MakePoint(:lon, :lat), 4326) AS g) ref WHERE geom ST_Expand(ref.g, 0.05) AND ST_DWithin(geom::geography, ref.g::geography, 3000) ORDER BY dist_m LIMIT 200;关键在geom ST_Expand(...)这一行。是几何外接矩形相交运算符能直接命中gist索引ST_Expand(ref.g, 0.05)把查询点扩成一个 0.05 度见方的框。0.05 度在纬向上约 5.5 公里足够覆盖 3 公里的查询半径同时不会扩得太离谱导致候选集过大。后面再叠ST_DWithin做精确过滤两层配合几十万行的表上通常能压到几十毫秒。4.3 geohash 前缀做粗筛的轻量替代如果没有 PostGIS或者数据规模在千万级、想先在应用层筛一遍geohash 是个好用的粗筛手段。import pygeohash as gh df[gh5] [gh.encode(lat, lon, precision5) for lat, lon in zip(df[lat], df[lon])] def nearby(lat0, lon0, rows, radius_m3000): # precision5 的格子约 4.9km x 4.9km取中心块 8 邻块 center gh.encode(lat0, lon0, precision5) cells set(gh.neighbors(center)) | {center} cand rows[rows[gh5].isin(cells)] d haversine((lon0, lat0), cand[lon].to_numpy(), cand[lat].to_numpy()) return cand.assign(distd)[d radius_m].sort_values(dist)精度选 5 是个折中格子约 4.9 公里见方9 个格子足够覆盖 3 公里半径选 6 精度更高但邻块要多取两圈复杂度上去了。注意 geohash 是矩形分块边界附近的点会落在相邻块里所以必须取 8 邻块只取中心块会漏掉将近一半。5. 避坑清单村名点数据上线前必须过的 5 道排查5.1 按村名精确匹配命中率只有一半现象业务方拿着「XX 村村委会」来查WHERE name XX村村委会返回 0 条但人肉在地图上一搜就有。原因源数据里的名称可能带「村民委员会」「村委会」「村」后缀也可能不带甚至同一个县内三种写法并存。精确匹配对这类不规范名称完全失效。解决入库前统一规范化去后缀、去全角空格、括号统一为半角并保留一个name_raw原始字段。查询侧先做同样的规范化再匹配同时用gin_trgm支持模糊兜底。有一个习惯值得保留任何时候都别覆盖原始名称出了问题只有原始值能救回来我一般会把它叫「后悔药字段」。5.2 同名村总是命中错的那个省现象查询「新村」系统返回的是几千里外的那个用户投诉定位错得离谱。原因只按名称查询LIMIT 1数据库按主键顺序返回等于随机。解决参见 3.3 的打分排序至少返回 top5 候选并带上省市区县。如果调用方能提供上下文手机号归属地、订单收货地址用它做加权。如果什么上下文都没有宁可返回列表让上层选也别赌一个。5.3 点位落在河面、山顶或者隔壁乡镇现象把村名点叠加到影像上一部分点明显落在水域、林地甚至直接落在相邻乡镇的地界里。原因点位语义不统一。有的数据是村委会驻地一栋楼的位置有的是村域几何中心有的是早期图上量取的近似点。三者可能相差好几公里。再加上部分数据是把乡镇驻地坐标直接复用给下辖所有村导致一个点上叠了几十个村。解决一是用prec字段标注精度等级低精度的点在下游分析里降权或排除二是做「同坐标聚簇」检查同一个经纬度对上超过 3 个村的基本可以判定是驻地复用需要单独标记。SELECT lon, lat, count(*) AS n FROM village_point GROUP BY lon, lat HAVING count(*) 3 ORDER BY n DESC LIMIT 50;这条 SQL 跑出来的结果很能说明问题一个点上挂几十个村的情况并不罕见。5.4 跨年度关联后行数暴涨现象用adcode12把 2021 数据和业务表 join结果行数比业务表多了好几倍。原因村级区划每年都有撤并、更名、拆分。两个年度的 12 位码不是一一对应的被撤并的村在新版里可能对应多个新码或者干脆消失。一对多关联直接导致行数膨胀。解决关联前先做一次编码映射表核对把「旧码→新码」的关系显式建出来可能是一对多关联时按映射展开并在业务上定义聚合规则。不要假设 12 位码是稳定主键。5.5 坐标系混用导致整体偏移现象一部分点位叠加后整体向某个方向偏了几百米另一部分正常。原因数据由多个来源拼接有的用了加密坐标系有的用 WGS84但coord_sys字段全部填了默认值。表面看不出来叠加才暴露。解决拼接前按来源分别打标入库时统一转换转换后抽 100 个点做人工核对。另外注意转换不可逆重复转换会累积误差所以转换只在入库前做一次之后不要为了「对齐」反复转。6. 精度抽样与年度增量判断这份 2021 数据还能不能用数据用久了最需要回答的问题是它现在还准不准还能不能继续用。我的做法是分层抽样加距离阈值比对不追求全量核对。按urban_rural分层每层抽 200 个点和影像底图逐个比对把偏差分成三档小于 100 米可用、100500 米需要标注、超过 500 米视为错误。这个分档不是精确标准但足够判断这份数据适不适合当前业务。如果做的是 500 米为半径的分析第二档的点位就必须排除。年度增量比对更简单用编码做集合运算就行。import pandas as pd, numpy as np old pd.read_csv(vp_2021.csv, dtypestr).set_index(adcode12) new pd.read_csv(vp_2022.csv, dtypestr).set_index(adcode12) added new.index.difference(old.index) # 新增村 dropped old.index.difference(new.index) # 撤销/合并 kept old.index.intersection(new.index) # 保留 o, n old.loc[kept], new.loc[kept] d haversine_vec(o[lon].astype(float), o[lat].astype(float), n[lon].astype(float), n[lat].astype(float)) moved (d 1000).sum() # 位移超 1km视为重定位或坐标修订 print(f新增 {len(added)}撤销 {len(dropped)}保留 {len(kept)}位移超 1km {moved})四个数字出来这份数据的状态基本就清楚了撤销量大说明区划调整频繁编码映射必须维护位移量大说明坐标来源变过不能和新数据混用新增量小但撤销量大往往是合并而不是新增。最后说一句个人教训。这类「全国XX数据」最容易让人放松警惕的地方就是它看起来太规整了——列名齐整、行数完整、没有明显空值很容易让人以为直接能进模型。我第一次用它的时候就是全量导入跳过精度字段和坐标系统一结果做出来的村级覆盖图在某些县整体偏移了一个乡镇的距离跑了三天才发现是坐标系混用。现在的习惯是任何点位数据入库前必看group by 经纬度的分布和 100 个随机样本的影像叠加两步加起来半小时能省掉后面好几天的返工。希望帮到你。本文还有配套的精品资源点击获取