简介：这份数据为2025年全国公园绿地矢量面shp格式资源，面向GIS分析人员、城乡规划学习者及生态空间研究从业者，可直接用于公园绿地分布制图、规模统计、生态网络评价与规划辅助分析。压缩包共8个文件，除核心的shp几何文件外，还配套dbf属性表、prj坐标参考、sbn/sbx空间索引以及xml元数据，帮助用户在不同GIS平台中准确加载与索引，包体大小约27.26MB。当前已有218人学习/浏览，适合课程作业、毕设研究以及规划项目前期快速搭建基础数据。拿到后可快速导入ArcGIS或QGIS，利用属性信息查看各绿地斑块的分布与规模，支撑城市绿地系统评价、开敞空间连通性分析等场景，亦可作为区域尺度生态底图参与叠加分析，为缺乏现成基础数据的学习者或项目组节省大量人工矢量化时间。
1. 公园绿地矢量面SHP：做空间分析前的那桶“凉水”
上周接了个城区绿地可达性的活儿，甲方甩来一个压缩包，文件名写着“2025全国最新公园绿地矢量面shp数据”。我第一反应不是拖进ArcGIS，而是先查三件事：伴随文件全不全、坐标系是什么、字段里有没有分类和城市名。这些年做GIS项目，翻车大多发生在数据阶段：公园绿地在地图上是面，不是点，面数据坐标系错位或字段混乱，后面的缓冲区、叠加、出图全白搭。
这份数据适合做规划、自然资源调查、环境评估的人，也适合那些只是想在研究报告里算一下居住区周边有没有像样绿地配套的研究人员。把全国公园绿地矢量面当底图用，能省掉大量手动画面的工作，前提是先当工程数据检查，别当现成图直接信。
2. 拆解SHP数据：文件结构、坐标系与绿地字段含义
很多第一次接触SHP的人抱怨：“我明明下载了shp文件，为什么打开是空的？”真相通常是：他把主文件拷走了，把同名的兄弟文件落在了原地。SHP从来不是一个文件，而是一个文件家族，缺了谁都会出问题。
2.1 一个SHP是一族文件，并不是单个文件
解压公园绿地矢量面数据时，你会看到同一文件名下面挂着不同后缀的文件。这几个后缀的作用差别很大，直接列一张表说明：
| 后缀 | 存储内容 | 缺失后果 |
|---|---|---|
| .shp | 多边形几何顶点信息，SHP主体 | 无法打开，GIS直接报错 |
| .shx | 几何索引，用来在地图上快速定位要素 | 软件提示索引无效，打开后响应迟缓 |
| .dbf | 属性表：公园名称、类型、城市、面积等 | 只有图形没有属性，没法做筛选统计 |
| .prj | 坐标系描述，以WKT文本形式保存 | 坐标系被误识别，位置漂移可能达到数公里 |
| .cpg | 字符编码声明，常见UTF-8或GBK | 中文属性字段出现乱码 |
当你把数据从压缩包拷给别人时，最常犯的错误就是只拷贝.shp主文件。为了不再吃这个亏，我每次分发数据前都跑一遍这个小脚本，检查五个伴随文件是否齐全：
from pathlib import Path shp_path = Path(r"D:\gis_data\park_green.shp") expected_suffixes = [".shp", ".shx", ".dbf", ".prj", ".cpg"] for suf in expected_suffixes: f = shp_path.with_suffix(suf) if f.exists(): size_kb = f.stat().st_size / 1024 print(f"{suf}: 存在，{size_kb:.1f} KB") else: print(f"{suf}: 缺失，建议回原始压缩包找补")这段代码用Path.with_suffix依次替换文件后缀，逐个确认是否存在。如果你在Linux环境或者跨系统传输SHP，还要注意后缀大小写——Windows不区分大小写，但Linux区分，.SHP和.shp在部分工具里会被当成两个文件。
2.2 “矢量面”具体指什么：Polygon/MultiPolygon与字段
公园绿地矢量面的“面”，在几何类型上对应Polygon或MultiPolygon。一个公园可能由若干块不相连的地块组成，比如一块主体加几块附属绿地，在数据里就会表现为MultiPolygon。而如果你拿到的数据里混进了Point或者Polyline，那说明原始来源不干净，需要剔除。
用geopandas读一遍就能看出几何类型分布：
import geopandas as gpd park = gpd.read_file(r"D:\gis_data\park_green.shp", encoding="utf-8") print(park.columns.tolist()) # 列出全部字段名 print(park.geometry.geom_type.value_counts()) # 统计几何类型这段代码输出两行：第一行是字段名列表，第二行是几何类型计数。如果结果里出现Point或LineString，先把它过滤掉，保留Polygon和MultiPolygon再进入分析流程。
公园绿地SHP里常见的字段大概有下面几类：
| 字段名 | 含义 | 典型取值 |
|---|---|---|
| name | 公园名称 | 朝阳公园 |
| type | 公园分类 | 综合公园、社区公园、专类公园、游园 |
| city | 城市名 | 北京市 |
| district | 区县名 | 朝阳区 |
| area_m2 | 面积，注意单位可能是平方米或公顷 | 105000 |
| adcode | 行政区划代码 | 110105 |
全国汇总数据里最大的坑是字段命名不统一。有的数据源叫type，有的叫ydtype，还有的叫dlbm，分类标准也各说各话。后面做统计前，务必先统一字段名和分类取值。
2.3 坐标系：打开数据前先看PRJ文件
全国公园绿地矢量面这类数据，常见坐标系是CGCS2000地理坐标系，对应EPSG:4490；也有一些来源直接给WGS84，对应EPSG:4326。两者叠在一起看似差别不大，但做面积计算和缓冲区时结果会差出不少。
用一行代码就能确认数据当前的坐标系：
import geopandas as gpd park = gpd.read_file(r"D:\gis_data\park_green.shp", encoding="utf-8") print(park.crs) # 输出示例：EPSG:4490如果打印结果是EPSG:4490，说明是CGCS2000经纬度坐标；如果是EPSG:4326，说明是WGS84经纬度坐标；如果输出None，就得检查.prj文件是否存在，或者手动补一个坐标系定义。补坐标系的时候不能想当然，最好对照原始数据来源说明来定。
3. 数据到手先做四步：清洗、投影、合并与区域提取
很多人拿到全国SHP直接拉到ArcGIS里看，颜色好看就认为数据能用。实际上，一份全国范围的公园绿地矢量面要进入正式分析，至少先过四道工序：完整性检查、字段清洗、几何修复、区域提取。
3.1 加载与总体检查
我习惯先加载一份数据到geopandas里做个总体体检，看看行数、坐标系统、无效几何的比例：
import geopandas as gpd park = gpd.read_file(r"D:\gis_data\park_green.shp", encoding="utf-8") print(park.shape) print(park.crs) print(park.geometry.is_valid.sum())park.shape输出的是(行数, 列数)，比如97312行、23列，说明这份数据大概有9.7万个公园面。is_valid.sum()统计的是有效几何数量，如果有效数量比总行数明显少，说明存在自相交、空几何等毛病，后面必须处理。
3.2 字段清洗与分类归一
全国汇总SHP里，同一个分类字段经常出现“综合公园”“综合绿地”“G11”混写的情况。不统一的话，后面按类型统计就没法做了。我一般会先做一层映射：
park["type"] = park["type"].astype(str).str.strip() class_map = { "G11": "综合公园", "综合公园": "综合公园", "G12": "社区公园", "社区公园": "社区公园", "G13": "专类公园", "专类公园": "专类公园", "G14": "游园", "游园": "游园", } park["cat"] = park["type"].map(class_map).fillna("其他") print(park["cat"].value_counts())这里先把type字段转成字符串并去掉首尾空格，再用字典映射把编号和中文名统一到同一套命名，最后用fillna("其他")把无法识别的取值归到“其他”。这样做的目的不是丢数据，而是让统计口径一致，出图时颜色分类也不会乱。
3.3 几何修复
全国数据经过多次格式转换，常出现自相交、环方向错误这类无效几何问题。处理它们最省事的方式是直接用make_valid：
from shapely.validation import make_valid park["geometry"] = park.geometry.apply( lambda g: make_valid(g) if g is not None and not g.is_valid else g )这里遍历每个几何对象：如果几何非空且is_valid为False，就用make_valid修复；否则保留原样。修复后建议再跑一次is_valid.sum()确认无效数量归零。这个步骤看似多余，但它直接影响后续缓冲区是否报错、叠加分析是否丢要素。
3.4 区域提取：以北京为例
如果只需要某个城市的数据，直接按城市字段提取即可：
beijing = park[park["city"].str.contains("北京", na=False)] beijing = beijing[beijing.geometry.notna()] beijing.to_file(r"D:\gis_data\beijing_park.shp", encoding="utf-8")str.contains用的是模糊匹配，这样“北京市”“北京城区”都能命中；na=False防止city字段里的空值导致报错；最后再过滤掉空几何，输出一个干净的城市SHP。如果数据里没有city字段，可以拿行政区划边界做空间叠加来提取，但那样速度会慢很多，所以下载时优先选带城市字段的数据源。
4. 空间分析实战：缓冲区、叠置与15分钟生活圈
数据清洗完就该动真格了。拿北京公园绿地SHP做例子，算一个“步行15分钟可达绿地”的分析，这是规划里常见的生活圈指标。
4.1 缓冲区：算米之前先投影
直接在经纬度坐标上做缓冲区，算出来的单位是“度”，不是米，结果无法和实际距离对应。所以第一步是把数据投影到合适的平面坐标系。北京地区我一般用EPSG:4547，即CGCS2000 3度带高斯投影的39带：
import geopandas as gpd beijing = gpd.read_file(r"D:\gis_data\beijing_park.shp", encoding="utf-8") beijing_m = beijing.to_crs(epsg=4547) # CGCS2000 / 3-degree Gauss-Kruger zone 39 beijing_m["buffer_800"] = beijing_m.geometry.buffer(800)buffer(800)表示生成800米缓冲区，单位是米，因为数据已经投影到平面坐标系。800米是步行大约10到15分钟的距离，做生活圈分析常用这个值。如果做全国范围的分析，建议改用适合全国的统一投影，比如Albers等积圆锥投影，避免分带导致的面积误差。
提示：在ArcGIS里做缓冲区时，同样要先检查图层的坐标系。输入是地理坐标系时，Buffer工具的距离单位会变成度，需要先用投影工具转换到平面坐标系。
4.2 叠加分析：把公园绿地覆盖落到居住小区
有了缓冲区以后，下一步是判断每个居住小区是否被公园绿地的800米缓冲区覆盖。用gpd.sjoin做空间连接就能完成：
import geopandas as gpd communities = gpd.read_file(r"D:\gis_data\communities.shp", encoding="utf-8") communities_m = communities.to_crs(epsg=4547) join = gpd.sjoin(communities_m, beijing_m, how="left", predicate="intersects")predicate="intersects"表示小区面和公园缓冲区只要有交集就算匹配成功，这是生活圈分析里比较常用的口径。how="left"保证左边每个小区都保留在结果里，即使周围没有公园也不会被丢。做统计时，用groupby按小区ID计数，就能得到每个小区周边可用的公园数量。
4.3 出图：符号化与导出
分析结果要落到图上才直观。用matplotlib可以快速出一张分类专题图：
import matplotlib.pyplot as plt fig, ax = plt.subplots(figsize=(12, 10)) beijing.plot(ax=ax, column="cat", cmap="Greens", legend=True, edgecolor="white", linewidth=0.3) plt.axis("off") plt.savefig(r"D:\gis_data\beijing_park.png", dpi=300, bbox_inches="tight")列名column="cat"控制按分类赋色，cmap="Greens"用绿色渐变区分不同公园类型，dpi=300保证印刷清晰度。如果在ArcGIS Pro里出图，可以选“类型-唯一值”符号系统，把分类字段设为cat，再导PDF或PNG到布局里，效果比我这段matplotlib更精细。
5. 避坑记录：这五年处理SHP踩过的几个大坑
下面几条都是实战里反反复复遇到的老问题，每条按“现象→原因→解决”来写，方便你直接对照。
5.1 属性表打开是一堆乱码
现象：把下载的公园绿地SHP拖进ArcMap，打开属性表，中文公园名显示成“鏄熷叴鍏”或“ç”开头的乱码。
原因：SHP的.dbf属性文本原本是GBK或GB2312编码，但缺少对应的.cpg编码声明文件，ArcGIS按系统默认编码读取，于是中文全部错乱。
解决：用geopandas强制指定encoding="gbk"读一遍，再另存为UTF-8编码的SHP：
import geopandas as gpd park = gpd.read_file(r"D:\gis_data\park_green.shp", encoding="gbk") park.to_file(r"D:\gis_data\park_green_utf8.shp", encoding="utf-8")这个方法只影响dbf属性文本的读写，不会动几何坐标。另存后会生成新的.cpg文件，写明UTF-8编码，后续在ArcGIS和QGIS里打开都不会再乱码。
5.2 两套数据叠加后整体偏移
现象：把A来源的北京公园绿地SHP和B来源的小区SHP放在同一张图里，明明行政区划边界对得上，公园面却整体偏离几百米。
原因：两套数据坐标系不一致，一套基于WGS84，一套基于CGCS2000，虽然两者差异在多数地图上不易察觉，但按精度要求较高的工作来看，已经足够让空间连接错配。
解决：统一坐标系后再叠加：
data_a = gpd.read_file("a.shp", encoding="utf-8") data_b = gpd.read_file("b.shp", encoding="utf-8") if data_a.crs and data_b.crs: data_b = data_b.to_crs(data_a.crs)to_crs会做完整的大地基准转换，不只是简单平移。执行前最好先打印两个数据的crs确认原始信息，不要盲目假设。
5.3 面积计算小了几十倍
现象：属性表里写着公园面积105公顷，用ArcGIS字段计算器算出来却是1.05，明显少了100倍。
原因：数据是经纬度地理坐标系，计算面积时把经纬度当平面距离用，算出来的单位是平方度，而不是平方米。面积一缩再缩，最后完全不能用。
解决：先投影到平面坐标系，再重新计算面积：
park_m = park.to_crs(epsg=4547) park["area_m2"] = park_m.geometry.area换算后得到的area_m2就是平方米，和属性表里的公顷数直接用系数换算即可。以后凡是涉及面积、周长、密度这类计算，第一步永远是确认投影状态。
5.4 全国SHP加载后卡顿严重
现象：把全国公园绿地矢量面SHP整个拉进ArcMap，转一下滑轮要等好几秒，图层属性设置也卡。
原因：SHP格式没有内置空间索引，全国十几万个图斑顶点数又多，GIS软件每次刷新都要全量读取一次几何。
解决：按省市拆分存储，或者在需要做展示用途时降低几何精度：
park["geometry"] = park.geometry.simplify(tolerance=0.0005)tolerance的单位跟随坐标系：当前是经纬度时，0.0005度大约相当于50米；如果已经投影成平面坐标，则直接写米，比如50表示50米。简化的代价是边界精度下降，所以正式分析保留原始数据，只有做底图或者网络发布时才用简化版本。
6. 让下游环节接得住：报表导出、格式互转与轻量化
SHP数据总归要往多个方向流转：统计同事要Excel，数据库要WKT，Web项目要3DTiles。最后一章把最常用到的几个输出路径走一遍。
6.1 属性表导出CSV/Excel
不装GIS的人也想看统计数据，最简单的办法就是把属性表转成CSV：
import geopandas as gpd beijing = gpd.read_file(r"D:\gis_data\beijing_park.shp", encoding="utf-8") beijing["area_m2"] = beijing.geometry.area summary = beijing[["name", "cat", "area_m2", "district"]].copy() summary.to_csv(r"D:\gis_data\beijing_park_summary.csv", index=False, encoding="utf-8-sig")encoding="utf-8-sig"是关键参数，它会在文件开头写入BOM标记，Excel双击打开CSV时中文列名和公园名才不会乱码。
6.2 常见互转：dwg转shp、shp转txt、shp转3dtiles
dwg转shp是规划项目里最常见的需求，CAD图纸里的绿地边界要变成GIS可用面。GDAL可以一条命令搞定：
ogr2ogr -f "ESRI Shapefile" park_cad.shp park_cad.dwg -nlt POLYGON-nlt POLYGON强制输出面要素，避免CAD里的LINE也被带出来。如果DWG里的绿地位于固定图层，建议再加一层-where "Layer='绿地'"过滤，只转目标图层，输出质量会明显提高。
shp转txt通常是为了给接口或数据库导入几何文本。把几何导出成WKT格式是最稳妥的做法：
import geopandas as gpd beijing = gpd.read_file(r"D:\gis_data\beijing_park.shp", encoding="utf-8") beijing["wkt"] = beijing.geometry.apply(lambda g: g.wkt if g is not None else "") beijing[["name", "wkt"]].to_csv(r"D:\gis_data\beijing_park_wkt.txt", index=False, sep="|")g.wkt返回的是OpenGIS标准的几何文本，PostGIS等数据库都能直接解析这种格式。分隔符用sep="|"是因为WKT文本里含逗号，再用逗号分隔会冲突。
shp转3dtiles一般走“shp→GeoJSON→3DTiles”的链路，用CesiumLab或类似工具操作。矢量面转三维瓦片时要注意两个参数：一是数据要投影到WGS84经纬度后再转，二是LOD层级不要开太高，否则瓦片数量和加载压力会成倍上升。对于公园绿地这种以面为主的要素，通常生成一层LOD足够，没必要把每个地块都拆分到极细粒度。
我做GIS项目到第五六个年头时，已经形成一套雷打不动的习惯：每一份SHP数据入手，先跑完整性检查，再确认坐标系，然后做一遍清洗和几何修复，最后才进入正式分析。刚才提到的四个大坑，每一个都是当年熬过夜才换来教训的。希望你拿到公园绿地矢量面以后，能直接跳过这些弯路，把时间花在真正值得做的分析上，希望帮到你。
本文还有配套的精品资源，点击获取
