Voronoi图实战：用Python可视化房产影响力区域

假设你在一家房地产公司工作，眼下急需分析全城房产分布，并清晰地界定每处房产的市场影响范围。那么，如何在二维平面上直观划分这些势力范围呢？ Voro noi 图正是解决此类空间划分问题的利器。

下面我们就通过一个具体案例来实践：生成20处随机房产坐标，绘制其 Voronoi 图，并用不同色块标注影响力区域。

首先，我们需要生成模拟的房产数据。利用 NumPy 设置随机种子并生成 20 个坐标点（范围在 100x100 内）：

import numpy as np

np.random.seed(42)
properties = np.random.rand(20, 2) * 100

接下来是核心的可视化部分。我们将使用 SciPy 的 Voronoi 模块进行空间计算，并结合 Matplotlib 完成绘制。

import numpy as np
import matplotlib.pyplot as plt
from scipy.spatial import Voronoi

np.random.seed(42)
properties = np.random.rand(20, 2) * 100

vor = Voronoi(properties)

fig, ax = plt.subplots(figsize=(10, 10))

# 绘制 Voronoi 图，去除无穷大的区域
regions = [r for r in vor.regions if -1 not in r and r]
for region in regions:
    polygon = [vor.vertices[i] for i in region]
    plt.fill(*zip(*polygon), alpha=0.4)

# 绘制房产位置（黑点）
plt.plot(properties[:, 0], properties[:, 1], 'ko', markersize=8)

plt.title('房产分布及影响力区域')
plt.xlabel('X 坐标')
plt.ylabel('Y 坐标')
plt.xlim(0, 100)
plt.ylim(0, 100)

# 添加图例
plt.plot([], [], 'ko', label='房产')
plt.plot([], [], color='C0', alpha=0.4, linewidth=10, label='影响力区域')
plt.legend()

plt.show()

这张图怎么看？图中每个彩色多边形就是一个“影响力区域”，黑色圆点代表“房产”的实际位置。你会发现，任意一点落在某个多边形内，就意味着它距离该多边形内的黑点（房产）最近——这完美回答了“这块区域属于谁”的问题。

让我们拆解一下这段代码的关键步骤：

1. 数据准备：np.random.rand(20, 2) * 100 负责生成 0 到 100 内的随机坐标。固定随机种子 (seed=42) 是保证结果可复现的好习惯。
2. 核心计算：Voronoi(properties) 会依据房产坐标算出所有顶点、边和区域信息。
3. 绘制区域：遍历 vor.regions 时，我们特意过滤掉含有 -1 的区（这代表边界向外无限延伸，无法完全绘制）。之后利用顶点坐标构建多边形，并用半透明色填充。
4. 标注实体：plt.plot 配上 'ko' 参数，即黑色实心圆点，精准标记出房产位置。
5. 修饰与限定：设置坐标轴范围 xlim 和 ylim，保证视野锁定在数据所在空间。而添加图例的经典技巧其实是绘制了空数据（[]），只为在右上角生成对应的图形说明。

这个可视化过程体现了 Python 数据处理与可视化的强大联动：

• 利用 NumPy 快速构造模拟数据
• 借助 SciPy 的空间分析能力进行几何构图
• 通过 Matplotlib 完成复杂的多边形填充和组合图形绘制

延伸知识：Voronoi 图从哪来，还能用在哪？

Voronoi 图由乌克兰数学家 Georgy Voronoi 于 1908 年提出，其背后的思想在大自然中无处不在，比如长颈鹿的斑纹、蜂巢的构造等。

除了房产分析，它的应用边界其实相当宽广：

• 计算几何学：它的“对偶图”是 Delaunay 三角剖分，两者均是几何算法的基础。在二维空间构建 Voronoi 图，基于 Fortune 算法可将时间复杂度控制在 O(n log n)。
• 机器学习：在 K-最近邻 (KNN) 算法中，Voronoi 图提供了直观的几何理解：新数据点将自动归类到其所在区域的主要类别里。
• 宏观扩展：虽然三维以上的 Voronoi 图很难直观展示，但它在高维空间聚类和建模中同样发挥着关键作用。

云栈社区里也有不少朋友在讨论相关话题，当你需要处理“空间划分”、“最近邻”或是计算几何相关的性能调优时，不妨多看看大家踩过的坑和经验分享。希望本文能帮你扎实地迈出空间数据可视化的第一步。