如何用Python H3库获取美国区域resolution 11的H3 Index经纬度全表？

核心思路 #

H3官方库本身没有直接提供「美国范围」的索引生成接口，需要先获取美国的地理边界，再用polyfill方法生成对应分辨率的H3索引，后续完成入库和关联操作。

步骤1：准备美国边界地理数据 #

先获取美国本土+飞地（阿拉斯加、夏威夷等）的GeoJSON格式边界文件，保存到本地（比如命名为usa_boundary.geojson）。

步骤2：用H3 Python库生成目标索引及经纬度 #

依赖安装 #

pip install h3-py geopandas pandas

代码实现 #

import h3
import geopandas as gpd
import pandas as pd

# 读取本地美国边界GeoJSON
usa_gdf = gpd.read_file('usa_boundary.geojson')

# 初始化集合存储H3索引（去重，避免跨多边形重复生成）
h3_indices = set()

# 遍历所有多边形（处理MultiPolygon类型的飞地）
for geom in usa_gdf.geometry:
    # 转换为H3要求的GeoJSON坐标格式：[[[lon, lat], ...]]
    if geom.geom_type == 'MultiPolygon':
        for poly in geom.geoms:
            coords = [[list(coord) for coord in poly.exterior.coords]]
            # 生成分辨率11的H3索引，geo_json_conformant=True适配GeoJSON坐标顺序
            batch_indices = h3.polyfill(coords, 11, geo_json_conformant=True)
            h3_indices.update(batch_indices)
    else:
        coords = [[list(coord) for coord in geom.exterior.coords]]
        batch_indices = h3.polyfill(coords, 11, geo_json_conformant=True)
        h3_indices.update(batch_indices)

# 转换为带经纬度的DataFrame（H3索引对应中心点坐标）
h3_records = []
for idx in h3_indices:
    lat, lon = h3.h3_to_geo(idx)  # 返回(lat, lon)
    h3_records.append({
        'h3_index': idx,
        'latitude': round(lat, 8),
        'longitude': round(lon, 8)
    })

h3_df = pd.DataFrame(h3_records)

注意：分辨率11的H3索引在美国范围总数约千万级，生成时确保机器有足够内存，可分区域分批生成后合并。

步骤3：导入公司数据库 #

以PostgreSQL为例（其他数据库逻辑类似）：

1. 数据库建表 #

CREATE TABLE h3_usa_res11 (
    h3_index VARCHAR(20) PRIMARY KEY,
    latitude NUMERIC(10,8) NOT NULL,
    longitude NUMERIC(11,8) NOT NULL
);

2. Python批量导入 #

from sqlalchemy import create_engine

# 替换为你的数据库连接串
engine = create_engine('postgresql://用户名:密码@主机:端口/数据库名')
# 导入数据，if_exists可选'replace'/'append'
h3_df.to_sql('h3_usa_res11', engine, if_exists='replace', index=False)

步骤4：关联客户记录 #

方案1：数据库端关联（推荐，效率更高） #

如果数据库支持H3扩展（如PostgreSQL的h3插件），直接通过客户经纬度生成H3索引后关联：

SELECT 
    c.customer_id,
    c.customer_name,
    c.customer_lat,
    c.customer_lon,
    h.h3_index
FROM customers c
LEFT JOIN h3_usa_res11 h
ON h.h3_index = h3_geo_to_h3(c.customer_lat, c.customer_lon, 11);

方案2：Python端预处理后关联 #

# 读取客户数据
customers_df = pd.read_sql('SELECT * FROM customers', engine)
# 生成客户对应的H3分辨率11索引
customers_df['h3_index'] = customers_df.apply(
    lambda row: h3.geo_to_h3(row['customer_lat'], row['customer_lon'], 11),
    axis=1
)
# 关联H3数据表
merged_df = customers_df.merge(h3_df, on='h3_index', how='left')
# 保存关联结果回数据库
merged_df.to_sql('customers_with_h3', engine, if_exists='replace', index=False)

注意事项 #

• 若美国边界GeoJSON文件过大，可先通过geopandas.simplify()简化多边形，减少计算量
• 生成H3索引时可加入进度条（如tqdm）监控进度
• 千万级数据入库时，建议分批次提交，避免数据库超时

内容的提问来源于stack exchange，提问作者Lily