Python Plotly华盛顿州人口地图下拉切换数据错乱问题咨询

核心原因 #

数据错乱的本质是下拉切换时没有同步关联地理ID（FIPS码）与过滤后的数据，仅修改人口值z会导致Plotly用原数据集的索引匹配地理区域，造成数据错位（比如原数据中某条小人口数据被错误对应到King郡的位置）。

纯Plotly解决方案（无需Dash） #

核心逻辑：每次切换人口区间时，同步更新locations（FIPS码）、z（人口值）和hovertext，确保地理区域与数据严格绑定。

import plotly.graph_objects as go
import pandas as pd

# 假设你的数据集结构：grouped_fips_pop包含fips、county、pop_2022列
# grouped_fips_pop = pd.read_csv("你的数据文件路径")

# 定义人口区间过滤函数
def filter_pop_data(interval):
    if interval == "全部":
        return grouped_fips_pop
    elif interval == "小于5万":
        return grouped_fips_pop[grouped_fips_pop['pop_2022'] < 50000]
    elif interval == "5万-10万":
        return grouped_fips_pop[(grouped_fips_pop['pop_2022'] >= 50000) & (grouped_fips_pop['pop_2022'] < 100000)]
    elif interval == "≥10万":
        return grouped_fips_pop[grouped_fips_pop['pop_2022'] >= 100000]

# 初始化地图
fig = go.Figure()

# 添加初始全量数据的trace
initial_data = filter_pop_data("全部")
fig.add_trace(go.Choropleth(
    locations=initial_data['fips'],
    z=initial_data['pop_2022'],
    locationmode='USA-states',
    colorscale='Reds',
    text=initial_data['county'] + '<br>人口: ' + initial_data['pop_2022'].astype(str),
    hoverinfo='text',
    marker_line_color='white',
    colorbar_title="2022人口"
))

# 设置下拉菜单与布局
fig.update_layout(
    title='华盛顿州各郡2022人口分布',
    geo_scope='usa',
    updatemenus=[
        dict(
            buttons=[
                dict(
                    label="全部",
                    method="restyle",
                    args=[{"locations": [filter_pop_data("全部")['fips']],
                           "z": [filter_pop_data("全部")['pop_2022']],
                           "text": [filter_pop_data("全部")['county'] + '<br>人口: ' + filter_pop_data("全部")['pop_2022'].astype(str)]}
                          ]),
                dict(
                    label="小于5万",
                    method="restyle",
                    args=[{"locations": [filter_pop_data("小于5万")['fips']],
                           "z": [filter_pop_data("小于5万")['pop_2022']],
                           "text": [filter_pop_data("小于5万")['county'] + '<br>人口: ' + filter_pop_data("小于5万")['pop_2022'].astype(str)]}
                          ]),
                dict(
                    label="5万-10万",
                    method="restyle",
                    args=[{"locations": [filter_pop_data("5万-10万")['fips']],
                           "z": [filter_pop_data("5万-10万")['pop_2022']],
                           "text": [filter_pop_data("5万-10万")['county'] + '<br>人口: ' + filter_pop_data("5万-10万")['pop_2022'].astype(str)]}
                          ]),
                dict(
                    label="≥10万",
                    method="restyle",
                    args=[{"locations": [filter_pop_data("≥10万")['fips']],
                           "z": [filter_pop_data("≥10万")['pop_2022']],
                           "text": [filter_pop_data("≥10万")['county'] + '<br>人口: ' + filter_pop_data("≥10万")['pop_2022'].astype(str)]}
                          ])
            ],
            direction="down",
            showactive=True
        )
    ]
)

fig.show()

Dash解决方案（修复之前的错误） #

如果之前用Dash无效，大概率是仅修改了z值而非重新生成完整地图。正确逻辑是：每次下拉切换时，基于过滤后的数据重新生成整个Choropleth图表。

from dash import Dash, dcc, html, Input, Output
import plotly.graph_objects as go
import pandas as pd

# 初始化Dash应用
app = Dash(__name__)

# 假设你的数据集
# grouped_fips_pop = pd.read_csv("你的数据文件路径")

app.layout = html.Div([
    html.H1("华盛顿州各郡2022人口分布"),
    dcc.Dropdown(
        id='pop-interval-selector',
        options=[
            {'label': '全部', 'value': 'all'},
            {'label': '小于5万', 'value': '<50k'},
            {'label': '5万-10万', 'value': '50k-100k'},
            {'label': '≥10万', 'value': '≥100k'}
        ],
        value='all'
    ),
    dcc.Graph(id='county-pop-map')
])

@app.callback(
    Output('county-pop-map', 'figure'),
    Input('pop-interval-selector', 'value')
)
def update_map(selected_interval):
    # 过滤数据
    if selected_interval == 'all':
        filtered_data = grouped_fips_pop
    elif selected_interval == '<50k':
        filtered_data = grouped_fips_pop[grouped_fips_pop['pop_2022'] < 50000]
    elif selected_interval == '50k-100k':
        filtered_data = grouped_fips_pop[(grouped_fips_pop['pop_2022'] >= 50000) & (grouped_fips_pop['pop_2022'] < 100000)]
    elif selected_interval == '≥100k':
        filtered_data = grouped_fips_pop[grouped_fips_pop['pop_2022'] >= 100000]
    
    # 重新生成完整地图
    fig = go.Figure(go.Choropleth(
        locations=filtered_data['fips'],
        z=filtered_data['pop_2022'],
        locationmode='USA-states',
        colorscale='Reds',
        text=filtered_data['county'] + '<br>人口: ' + filtered_data['pop_2022'].astype(str),
        hoverinfo='text',
        marker_line_color='white',
        colorbar_title="2022人口"
    ))
    
    fig.update_layout(
        geo_scope='usa',
        margin={"r":0,"t":30,"l":0,"b":0}
    )
    
    return fig

if __name__ == '__main__':
    app.run_server(debug=True)

额外排查要点 #

1. 确认fips列是字符串类型：部分郡FIPS码以0开头，若被转为整数会丢失前导0，导致地理匹配失败。
2. 验证过滤后的数据：切换到“小于5万”时，检查filtered_data是否确实不包含King郡。
3. 地理模式匹配：若使用自定义华盛顿州郡GeoJSON，需确保GeoJSON的id字段与数据集的fips值完全一致。

内容的提问来源于stack exchange，提问作者SJM Consulting