做 geo data 的朋友都知道，原始数据有多恶心。这篇文直接教你怎么处理那些乱七八糟的坐标。看完你就知道怎么把烂数据救活了。
我干这行五年了，见过太多人踩坑。特别是刚入行的，拿到一堆 geo data 就急着跑模型。结果呢？准确率烂得让人想砸键盘。
记得去年有个客户，给我发了一堆门店地址。说是从爬虫抓的。我一看，好家伙，经纬度飘到太平洋去了。有的甚至直接标成了 0,0。这种数据要是直接入库，系统直接崩给你看。
很多人觉得，有经纬度不就是 geo data 了吗？太天真了。真正的 geo data 是有生命力的，它得准，得干净，还得能对应上真实的地理位置。不然就是垃圾数据，占服务器空间还拖慢速度。
我有个土办法，专门治这种“野路子”数据。第一步，去重。别小看这一步，很多平台的数据是重复抓取的。同一个店，不同页面，坐标微调一点点。如果不处理，你的热力图就会多出几个奇怪的点。
我用的是简单的哈希去重加空间距离判断。距离小于 5 米的，直接删掉。这一步能去掉 30% 的无效数据。看着数据量少了，心里反而踏实了。
第二步，坐标纠偏。国内很多地图用的是 GCJ-02 体系，也就是俗称的火星坐标。如果你拿的是 WGS-84 的 GPS 原始数据，直接画出来，偏差能有几百米。
我就遇到过这种情况。客户说他的店在市中心，结果地图显示在郊区。查了半天，才发现是坐标系没转换。这种低级错误，真的让人恨得牙痒痒。一定要在入库前，统一转换成目标地图的坐标系。不然后续所有的 LBS 服务全废。
第三步，地址标准化。这是最头疼的。有的写“北京市朝阳区建国路88号”，有的写“北京朝阳建国路88号”，还有的干脆只写“建国路88号”。
这时候就得靠 NLP 技术，或者干脆手动清洗。我一般会把地址拆解成省、市、区、街道、门牌号。缺什么补什么。缺区的，就根据街道反推。虽然累点，但为了 geo data 的质量，这钱这时间花得值。
别听那些专家说，要用大模型自动清洗。大模型也会胡说八道。对于关键业务数据，人工复核还是必不可少的。我每次处理完一批数据，都会随机抽 10% 出来，在地图上肉眼比对。
有一次，我发现一个小区的名字，地图上是“幸福家园”，数据里写的是“幸福花园”。虽然只差一个字，但在某些严格匹配的场景下，这就可能导致配送失败。这种细节，机器很难捕捉，但人能一眼看出来。
还有，要注意数据的时效性。城市变化太快了。今天还在的店，明天可能就倒闭了。或者修路改道，原来的坐标就不准了。
所以，geo data 不是一劳永逸的。它需要定期维护。我现在的习惯是，每季度对核心区域的数据进行一次全量校验。虽然麻烦，但能保证业务不出大错。
最后想说，做 geo data 就是做细节。别嫌麻烦，别偷懒。你糊弄数据，数据就糊弄你。等到业务跑起来，发现定位不准，那时候再想改，成本翻倍。
希望大家在处理 geo data 的时候，多花点心思。把基础打牢，后面的路才能走得稳。别等出了问题，才来后悔没早点做好清洗。
这行水很深，但也很有价值。只要你能把脏数据洗干净，你就是团队里不可或缺的人。加油吧，同志们。
