简介：这份资源提供四川省成都市乡镇街道级别的行政区划矢量数据，以shp格式组织，面向GIS从业者、城市规划研究人员、地理信息专业师生以及需要成都基层行政边界做空间分析的用户。数据覆盖成都市下辖各乡镇与街道，可用于专题制图、人口与经济数据空间关联、行政区划统计及地图可视化等场景，属于可直接导入ArcGIS、QGIS等平台使用的基础地理数据。压缩包共14个文件，约1.81MB，包含3个shp主文件及配套的shx索引、dbf属性表、prj投影定义、cpg编码说明、sbn与sbx空间索引，另有xml元数据文件，各类型协同保证数据在主流GIS软件中正常读取与显示。目前已有2506人学习下载，说明该数据在本地研究与教学中有一定使用基础。读者获取后可直接得到完整的成都乡镇街道边界图层，省去自行采集与数字化的工作，便于快速开展空间统计、制图出图与区域对比分析。

1. 成都市各乡镇街道行政区划shp文件：从一份边界数据到能跑的分析底图

做城市数据分析的人迟早会撞上一件事：手头有一堆 POI、人口、网格数据，却缺一份能直接用的成都市乡镇街道行政区划 shp 文件。街道级别是很多分析的最小行政单元，比区县细，比社区规整，做选址、做热力、做资源分配都绕不开它。这份数据的价值不在于“有”，而在于“对得上”——边界拓扑要闭合、投影要统一、属性表要有可关联的行政区代码。我见过太多人拿到一份 shp 就急着往 GIS 里拖，结果坐标系是地理坐标，面积算出来是度数平方，或者相邻街道之间留着肉眼看不见的缝隙，做空间连接时点全掉进缝里。这篇就按一线做法，把成都市乡镇街道行政区划 shp 文件从获取、检查、修复到落地分析的完整链路讲清楚，适合做城市研究、规划辅助、商业选址的从业者，也适合刚接触 GIS 但需要真实数据干活的人。

2. 拿到 shp 文件先别急着画图：四个字段和两个几何指标决定它能不能用

2.1 行政区划 shp 的属性表里到底该有什么

一份能用的成都市乡镇街道行政区划 shp 文件，属性表至少要有这几列：街道乡镇名称、所属区县名称、行政区划代码、以及可选的城乡分类代码。行政区划代码是关联外部数据的关键，街道级通常是 12 位，前 6 位是区县，中间 3 位是乡镇街道顺序码，最后 3 位是村级，但街道级 shp 一般只到前 9 位或 12 位全码。我一般会先打开属性表看三件事：名称列有没有“街道”“镇”“乡”后缀混用、代码列是不是文本类型、有没有空值。名称后缀不统一会导致按名称关联时匹配失败，代码列如果是数值类型，前导零会被吃掉，成都这边区县代码以 5101 开头，暂时没有前导零问题，但换成其他省份就会翻车。

提示：行政区划代码在 shp 里务必存成字符串，数值类型在导出 CSV 再导入时极易丢精度或变科学计数法。

2.2 几何检查：闭合、自相交、缝隙三件套

几何质量决定后续空间运算能不能跑通。用 QGIS 或 ArcGIS 打开后，先看拓扑：面是否闭合、有没有自相交、相邻面之间有没有缝隙或重叠。成都市乡镇街道 shp 文件常见的问题是边界沿河流或道路采集时产生细小自相交，以及不同批次数据拼接后相邻街道之间出现宽度不到 1 米的缝隙。这些在视觉上完全看不出来，但做空间连接时点会掉进去。我一般用 QGIS 的“拓扑检查器”跑一遍，或者用 Python 的 shapely 做批量验证。下面这段代码就是检查自相交和有效性的最小脚本：

import geopandas as gpd from shapely.validation import explain_validity # 读取成都市乡镇街道 shp 文件 gdf = gpd.read_file("chengdu_township.shp") # 检查几何有效性，invalid 会返回具体原因 gdf["validity"] = gdf.geometry.apply(lambda geom: explain_validity(geom)) invalid = gdf[gdf["validity"] != "Valid Geometry"] print(f"无效几何数量: {len(invalid)}") print(invalid[["name", "validity"]].head(10)) # 检查空几何 empty = gdf[gdf.geometry.is_empty] print(f"空几何数量: {len(empty)}")

这段代码先读 shp，然后用explain_validity逐条判断几何是否有效，无效的会返回“Self-intersection”之类的具体原因。is_empty单独查空几何，空几何在后续裁剪时会直接报错。参数上没什么可调的，重点是看输出里无效几何的数量和类型，如果超过总面数的 1%，建议先修复再往下做。

2.3 坐标系与投影：算面积之前必须做的一步

成都市乡镇街道行政区划 shp 文件常见的坐标系有两种：WGS84 地理坐标（EPSG:4326）和 CGCS2000 投影坐标（EPSG:4544 或 4545）。地理坐标单位是度，直接算面积得到的是平方度，没有物理意义。做面积统计、缓冲区、密度分析之前，必须投影到以米为单位的坐标系。成都位于 CGCS2000 3 度带第 34 带，中央经线 102°E，对应 EPSG:4544。我一般会在分析前统一转成这个投影，代码很简单：

# 投影转换：从 WGS84 转到 CGCS2000 3 度带 gdf_proj = gdf.to_crs(epsg=4544) # 计算每个街道的面积（平方公里） gdf_proj["area_km2"] = gdf_proj.geometry.area / 1e6 print(gdf_proj[["name", "area_km2"]].sort_values("area_km2", ascending=False).head())

to_crs是 geopandas 的投影转换方法，传入目标 EPSG 代码即可。面积除以 1e6 是把平方米转成平方公里。这里要注意，如果原始 shp 没有.prj文件，to_crs会报错，因为不知道源坐标系。遇到这种情况，先确认数据来源的坐标系，用gdf.set_crs(epsg=4326)手动指定后再转换。这一步不做，后面所有跟距离、面积相关的结论都是错的，属于典型的“地基没打牢”。

3. 从区县到乡镇街道：用 Python 做空间连接和属性关联的完整流程

3.1 把 POI 或人口数据挂到街道上的两种方式

拿到成都市乡镇街道行政区划 shp 文件之后，最常见的操作是把点数据或表格数据挂到街道上。点数据用空间连接，表格数据用属性关联。空间连接的核心是判断点落在哪个面里，geopandas 的sjoin一行搞定，但前提是两者的坐标系一致。我一般会先统一投影，再做连接：

import pandas as pd # 假设 poi_gdf 是已经读入的点数据，坐标系与街道一致 poi_gdf = gpd.read_file("poi.shp").to_crs(epsg=4544) township = gdf_proj.copy() # 空间连接：点落在哪个街道面内 joined = gpd.sjoin(poi_gdf, township, how="left", predicate="within") # 统计每个街道的点数量 count_by_town = joined.groupby("name").size().reset_index(name="poi_count") print(count_by_town.sort_values("poi_count", ascending=False).head(10))

sjoin的predicate="within"表示点完全落在面内，how="left"保留所有点，没匹配上的点街道名为空。如果点刚好落在边界上，within可能判不进去，可以换成intersects，但那样边界上的点可能被两个街道同时匹配，需要去重。参数上，how控制保留哪边的记录，做统计一般用left保留全部点，做筛选可以用inner只留匹配上的。

3.2 属性关联：用行政区划代码做表连接

如果手头是 Excel 或 CSV 格式的人口、经济数据，用行政区划代码做表连接更稳。前提是 shp 里的代码列和表格里的代码列类型一致，都是字符串。我一般会先检查两边的代码长度和格式：

# 读取外部表格数据 df = pd.read_csv("township_population.csv", dtype={"code": str}) # 检查代码长度分布 print(df["code"].str.len().value_counts()) print(gdf["code"].str.len().value_counts()) # 做表连接 merged = gdf.merge(df, left_on="code", right_on="code", how="left") print(f"匹配失败数量: {merged['population'].isna().sum()}")

dtype={"code": str}强制代码列为字符串，避免前导零丢失。两边长度分布要一致，比如都是 9 位或 12 位，不一致说明有一方截断了。merge之后看population列的空值数量，就是没匹配上的街道，通常是代码格式不一致或名称有出入。这一步的坑在于，有些表格里的代码是数值型，读进来变成整数，前导零没了，长度对不上，匹配全失败。

3.3 批量裁剪与分区统计：以成都市中心城区为例

做分析时经常只需要中心城区几个区的街道，或者按区县分组统计。用clip做裁剪，用dissolve做合并。比如只保留锦江、青羊、金牛、武侯、成华五个区的街道：

# 中心城区区县名称列表 central_districts = ["锦江区", "青羊区", "金牛区", "武侯区", "成华区"] # 筛选 central = gdf_proj[gdf_proj["district"].isin(central_districts)] # 按区县合并，得到区级边界 district_boundary = central.dissolve(by="district", aggfunc="sum") print(district_boundary[["name", "area_km2"]]) # 保存结果 central.to_file("chengdu_central_township.shp", encoding="utf-8")

isin做列表筛选，dissolve按区县字段合并面，aggfunc="sum"会把面积字段加总。保存时encoding="utf-8"保证中文属性不乱码。这一步的实用价值在于，很多分析只需要特定区域，全量数据拖进去又慢又乱，先裁再算能省不少时间。

4. 避坑与排查：成都市乡镇街道 shp 文件最常见的五个翻车现场

4.1 中文乱码：属性表打开全是问号

现象：用 ArcGIS 打开 shp 后，属性表里的街道名称显示为乱码或问号。原因：shp 的.dbf文件默认编码是 GBK 或 Latin-1，而 QGIS 或 Python 按 UTF-8 读取。解决：在 QGIS 里右键图层设置编码为 GBK，或者用 Python 读取时指定encoding="gbk"，导出时统一转成 UTF-8。我一般会在第一次读取时就试gbk，如果报错再换utf-8。

4.2 面积算出来是负数或零

现象：投影后计算面积，结果出现负数或零。原因：几何无效，比如自相交导致面积计算异常，或者面方向反了。解决：先用buffer(0)修复自相交，再重新计算面积。buffer(0)是 shapely 里修复几何的常用技巧，能把自相交的面变成有效面。

gdf_proj["geometry"] = gdf_proj.geometry.buffer(0) gdf_proj["area_km2"] = gdf_proj.geometry.area / 1e6

4.3 空间连接时点大量丢失

现象：sjoin之后很多点的街道名为空。原因：坐标系不一致，或者点落在街道之间的缝隙里。解决：先确认两者坐标系一致，再用intersects替代within，或者先对街道面做微小缓冲（比如 0.5 米）再连接。缓冲会引入微小误差，但能救回边界上的点。

4.4 行政区划代码匹配失败

现象：表连接后大量空值。原因：代码列类型不一致，一边是字符串一边是数值，或者长度不同。解决：统一转成字符串，检查长度分布，必要时补零。成都街道级代码一般是 9 位或 12 位，补零到统一长度再匹配。

4.5 导出后坐标系丢失

现象：保存为 shp 后，再打开发现坐标系变成未知。原因：geopandas 保存时如果没有.prj文件，或者源数据没有 CRS。解决：保存前确认gdf.crs不为空，保存时 geopandas 会自动写.prj。如果源数据没有 CRS，先用set_crs指定再保存。

5. 进阶用法：用街道边界做网格聚合与可视化验证

5.1 把街道边界转成网格统计单元

做热力图或格网分析时，街道边界可以直接作为聚合单元。但如果街道面积差异大，比如山区乡镇面积是城区街道的几十倍，直接按街道统计密度会失真。我一般会做一个 500 米 × 500 米的渔网，再用街道边界裁剪，得到每个网格所属的街道，这样既能保留街道属性，又能做精细化密度分析。

import numpy as np from shapely.geometry import box # 获取街道边界的范围 minx, miny, maxx, maxy = gdf_proj.total_bounds # 生成 500 米网格 cell_size = 500 cols = np.arange(minx, maxx, cell_size) rows = np.arange(miny, maxy, cell_size) cells = [box(x, y, x + cell_size, y + cell_size) for x in cols for y in rows] # 转成 GeoDataFrame grid = gpd.GeoDataFrame({"geometry": cells}, crs=gdf_proj.crs) # 用街道边界裁剪网格，保留街道属性 grid_with_town = gpd.overlay(grid, gdf_proj[["name", "geometry"]], how="intersection") print(f"网格数量: {len(grid_with_town)}")

total_bounds返回边界范围，box生成矩形网格，overlay做相交裁剪。how="intersection"只保留网格和街道重叠的部分。这样每个网格都带街道名称，后续按网格统计 POI 密度再汇总到街道，比直接按街道统计更细。

5.2 可视化验证：用 QGIS 快速检查边界质量

代码跑完不代表数据没问题，我习惯在 QGIS 里做最后一道视觉检查。把街道边界叠加到天地图或高德底图上，看边界是否贴合实际道路和河流。重点看三个地方：河流沿岸的街道边界、区县交界处的街道归属、以及飞地（比如高新区在武侯区里的飞地）。飞地是成都行政区划的一个特点，高新区、天府新区直管区都有飞地，如果 shp 里飞地归属错了，做分区统计时数据会串。QGIS 里用“按属性选择”快速定位飞地，再和官方区划图对照。

5.3 一个我踩过的坑：别用旧版边界做新数据统计

最后说一个血泪教训。成都市乡镇街道行政区划调整比较频繁，比如乡镇改街道、区县托管调整，旧版 shp 的边界和代码可能和新版统计数据对不上。我有一次用 2019 年的街道边界去挂 2023 年的人口数据，结果几个新设街道没有边界，数据全挂到老街道上，统计结果偏差很大。后来养成习惯：拿到 shp 先看边界年份，和统计数据的年份对齐，对不上就找新版边界，或者用区县级别做过渡。这个习惯帮我省了很多后悔药。希望帮到你。

本文还有配套的精品资源，点击获取