必须用geopandas读取Shapefile或GeoJSON才能处理地理坐标，因pandas不识别空间结构；常见错误是用read_csv读经纬度CSV后误用.between()框选，忽略地球曲率和跨经度边界问题。
用 geopandas 读取 Shapefile 或 GeoJSON 才能真正处理地理坐标
纯 pandas 本身不识别地理空间结构，它把 geometry 列当普通字符串或对象处理，无法做范围筛选、相交判断。必须换成 geopandas——它是 pandas 的地理扩展，底层依赖 shapely 和 fiona。
常见错误是直接用 pandas.read_csv() 读带经纬度的 CSV，然后试图用 .between() 粗暴框选，结果漏掉跨经度边界（如东经179°到西经179°）或忽略地球曲率导致的偏差。
- Shapefile 要用
gpd.read_file("data.shp")，不是pd.read_csv() - CSV 含
lat/lon列？先转成Point：import geopandas as gpd from shapely.geometry import Point df = pd.read_csv("coords.csv") gdf = gpd.GeoDataFrame(df, geometry=gpd.points_from_xy(df.lon, df.lat), crs="EPSG:4326") -
crs不写或写错（如误用"WGS84"）会导致后续空间运算失效
用 cx 切片快速筛选矩形范围内的点
gdf.cx[xmin:xmax, ymin:ymax] 是最轻量、最快捷的矩形筛选方式，底层调用 R-tree 索引，比手动写布尔索引快一个数量级。
注意坐标顺序：cx 是 [经度范围, 纬度范围]，不是 [纬度, 经度]，和地图习惯相反，容易搞反。
立即学习“Python免费学习笔记（深入）”；
- 北京五环内粗筛（经度116.0–116.6，纬度39.6–40.0）：
gdf.cx[116.0:116.6, 39.6:40.0] - 跨国际日期变更线？
cx不支持自动绕球，得拆成两段：例如筛选东经170°到西经170°，需分别取cx[170:180, ...]和cx[-180:-170, ...]再拼接 - 若
gdf.crs是投影坐标系（如 EPSG:3857），cx的数值单位是米，不是度——务必确认 CRS 单位
用 within() 或 intersects() 做多边形精确筛选
城市行政边界、湖泊、道路缓冲区这类不规则区域，必须用几何关系判断，不能靠矩形框。
典型坑：原始数据和多边形使用不同 CRS，直接调用 within() 会返回全 False 或报错 TopologyException。
- 确保二者 CRS 一致：
poly_gdf = poly_gdf.to_crs(gdf.crs) - 筛选落在某个多边形内的点：
gdf[gdf.within(poly_gdf.unary_union)]（unary_union合并多个面避免循环） - 想查“靠近某条河 500 米内”？先用
river_line.buffer(500)生成面，再用within()；注意 buffer 单位取决于 CRS——地理坐标系（EPSG:4326）下 500 是度，必须先转投影坐标系
避免 geometry 列为空或无效导致筛选失败
gdf.is_valid 返回 False 或 gdf.geometry.is_empty.any() 为 True 时，cx 和空间谓词可能静默跳过这些行，或抛出 GEOSException。
- 加载后立刻检查：
gdf = gdf[~gdf.geometry.is_empty & gdf.is_valid] - 从 CSV 构造
Point时，若lat/lon有NaN，对应 geometry 会是None，需提前清洗：df = df.dropna(subset=["lat", "lon"]) - 某些 Shapefile 的 geometry 类型混杂（比如含
MultiPoint和Point），within()对MultiPoint行为不稳定，建议统一转为Point：gdf = gdf.explode(index_parts=False).drop_duplicates(subset=["geometry"])
cx 加基础 CRS 校验就够了；一旦涉及行政边界、缓冲区、拓扑关系，就必须上 geopandas 的空间谓词，且 CRS 对齐和几何有效性是绕不开的两道坎。 
