很多做本地生活或者地图服务的兄弟，拿到手的一堆乡镇区划数据，看着头疼，用着更头疼。这篇不整虚的，直接告诉你怎么把那些乱七八糟的数据洗干净，变成能直接调用的干货。
我是老陈，在Geo行业摸爬滚打了快十年。见过太多新手拿着从网上扒下来的CSV文件，直接往数据库里插，结果查出来的数据对不上，或者地图上的点飘得没边。其实问题不在技术，在于你对“乡镇区划”这个概念的理解太浅。你以为乡镇就是简单的行政级别？错。
咱们先说个真实案例。去年有个做社区团购的朋友找我，说他们的配送范围总出错。客户在A镇下单，结果系统把他划到了隔壁B镇。我一看数据源，好家伙，那是三年前的老数据。你知道这几年乡镇合并、街道改区有多频繁吗？比如有些地方的“乡”改成了“镇”，或者两个小村合并成了一个社区。如果你还用旧数据，那误差率能到30%以上。这不是危言耸听，是我实测过的。
所以，第一步，别急着用数据，先做“版本比对”。
你得找到最新的民政部或者国家统计局发布的区划代码表。注意，是最新的。很多免费数据源都是几年前的，根本没法用。我一般建议对比两个版本，看看哪些代码变了。比如，原来代码是110101，现在可能变成了110102，或者名称变了。这一步很繁琐，但必须做。你可以用Excel的VLOOKUP函数，或者写个简单的Python脚本，把新旧数据跑一遍。别怕麻烦，这一步省了，后面全是雷。
第二步，处理“模糊边界”和“缺失值”。
乡镇数据最麻烦的是什么？是那些还没正式批复的新区，或者正在撤并的旧区。我在处理某省的数据时，发现有大概5%的乡镇，其边界坐标是缺失的，或者只有中心点。这时候，你不能直接删掉，也不能随便填。我的做法是，去查当地的政府工作报告，或者看最新的行政区划图。如果实在找不到，就用最近的一个有效坐标代替，并在数据里加一个标记字段，比如“status: estimated”。这样，前端调用的时候，可以提示用户“该区域为估算范围”。
这里要植入一个概念，就是geo乡镇区划数据的准确性，不仅取决于代码，还取决于坐标的精度。很多数据源给的坐标，是大概的中心点，误差可能在几公里。对于做精准营销来说，这太致命了。你得想办法获取更精细的边界数据。
第三步，清洗坐标，统一投影。
这一步技术含量最高，也最容易出错。很多数据源的坐标是WGS84的，也就是GPS坐标。但国内很多地图服务，比如高德、百度，用的是GCJ02或者BD09。如果你不转换，直接画出来，位置能偏出几百米。我见过有人直接用WGS84的坐标去调百度地图API，结果整个片区都偏到了海里去。
所以，一定要做坐标转换。可以用现成的转换库，比如pyproj，或者调用地图服务商的API。转换完后，一定要抽样检查。随机选10个点，在地图上标出来，看看和实际位置对不对得上。如果偏差超过100米，那说明转换有问题，或者原始数据本身就有问题。
最后，给个真心建议。
别指望有一劳永逸的数据。geo乡镇区划数据是动态的，每年都在变。你得建立一个定期更新机制。比如，每季度去民政部网站爬一次最新的数据，和现有的数据库做比对。如果发现有变动，就更新。这样，你的数据才能一直保持新鲜度。
很多人觉得做数据清洗太累，想偷懒用现成的。但你要知道，数据质量决定了你业务的下限。如果你的配送范围都不准，用户怎么可能信任你？
如果你还在为数据清洗头疼，或者不知道去哪找最新的乡镇区划数据，可以来找我聊聊。我不卖课，就聊聊怎么避坑。毕竟，这行水太深，一个人走容易摔跟头。
