摘要：你可能见过它：地图上颜色渐变、红蓝交织，红色代表 “热” ——人多、事多、关注多；蓝色表示 “冷” ——人少、事少、关注度低。这样的图看起来直观、技术范，有冲击力。于是，它成了无数行业汇报中的主角：从商业选址到城市规划，从治安布控到疫情防控......

热力图（Heatmap），是很多人认识地图数据的第一道门槛。

你可能见过它：地图上颜色渐变、红蓝交织，红色代表 “热” ——人多、事多、关注多；蓝色表示 “冷” ——人少、事少、关注度低。这样的图看起来直观、技术范，有冲击力。于是，它成了无数行业汇报中的主角：从商业选址到城市规划，从治安布控到疫情防控......

曾几何时，我也是热力图的忠实信徒，它的流行是因为满足了两个数据可视化的基本需求：省事，但看起来费事。

热力图给人一种“大数据”的错觉，实际上制作门槛非常低，现在各种GIS软件和编程库（QGIS、ArcGIS、Leaflet等）都内置了热力图功能，甚至Excel都能做简单的热力图了。你给个经纬度和数值，分分钟出图。

图例：用QGIS制作的瑞幸咖啡门店分布地图

但对于不熟悉热力图的甲方或领导来说，热力图给人一种很专业的感觉，用颜色迅速激活人的情绪系统，红色与蓝色的对比让人一眼就能识别你想指示的重点。

所以大家都爱用热力图，这是一个非常适合“交差”的可视化工具。只是随着我们需要回答的问题走向具体，它也变得越来越不好用了。比如你很难回答：

“你这红的地方到底有多少人？100？1000？”

“这地方红是因为客流大？还是点更密集？”

“这个城市的红和那个城市的红是一回事吗？”

“哪些地方是新兴热点？哪里增长最快？”

……

热力图很难回答具体的问题，说起来这也算的上它的优势之一，尤其是数据质量不高的时候又想蒙混过关的时候。用颜色一糊，美观还避雷，就像给数据开了“十级美颜”，这种模糊感，在视觉展示中尚可接受，在分析决策中却非常致命。

热力图的问题主要来自于其简单的算法，所谓的热点来自于算法，并不总是能反映现实。实际上，热力图只是对点的和密度估计（Kernel Density Estimation），通俗的讲，它就像给每个点画了个渐变的圆，一个地方重叠的圆越多，颜色看起来就越“热”。听起来很合理是吧？但具体扩多少，如何渐变，最大值怎么设置，这些参数一改，热点就会移位、扩大甚至消失。同样一组数据，你用不同的半径效果可能完全不同。

图例：使用相同数据不同参数制作的热力图

比如你希望通过热力图找出一个城市客流的聚客点，并以此为基础将这些地方作为选址的候选点。这就是一个看起来能通过热力图解决，但实际上并不现实的任务。你会发现随着地图的放大，原来的热点消失了，每一次改变大小、切换位置，热力图都要重新计算，让人抓狂不已。

为了解决这个问题，我开发了一套算法，基于真实的路网和AOI数据，对不同级别的客流热力进行分级聚类合并，更能够反映不同区域客流的真实情况，并将地图语言转化为普通人更好理解和能够执行的列表，为后续的进一步分析提供更好的基础。

图例：基于热力图提取的聚客点分布

最后，我写这篇文章其实并不是否定热力图的价值，它仍然适合前期快速探索，但这只能算是个起点。真正的地理分析，需要的恰恰不是模糊化，而是从数据中读出秩序和逻辑，将数据转化为“人话”，只有这样的数据才能更具生产力。

来源：GeoHey极海监测