阿艾法知识库 · 每日开源精选 ｜ 2026年8月20日

momepy 1.0 深读：纯 Python 给城市做"形态体检"，街道连通性直接搬来给传输网做拓扑分析

做网络规划时，最常被忽略的不是设备，而是形态：你的 SPN 汇聚节点到底有几个"单点故障"隐患？乡镇和城区的站点分布是不是一头过密、一头空洞？某个机房到底"服务"了多大一片、该扩容还是该减容？过去这些靠经验、靠手动画圈、靠网管截图。今天聊的这个纯 Python 库 momepy，把"城市形态"变成了一套可量化的指标——而它的街道网络连通性模块，几乎可以原样搬来给你的传输/SPN 拓扑做体检。

一句话定位：momepy = 用 Python 对"空间形态"做定量测量（Urban Morphometrics）的城市形态测量工具箱。BSD-3 许可、纯 Python（基于 GeoPandas / libpysal / networkx）、v1.0.0 于 2026-07-02 发布，最近提交 2026-08-13，仍在活跃迭代，是 PySAL 空间分析家族的正式成员。

【必看理由】为什么网络运维值得盯它一眼

① 纯 Python + BSD-3，pip 即装无商业授权、无黑盒。本体完全建立在 GeoPandas / libpysal / networkx / shapely 之上，没有任何 Rust/C++ 二进制依赖，可放心内网改造、离线裁剪，审计友好。

② 刚发 1.0 里程碑，最"新"的一批2026-07-02 发布 v1.0.0（要求 Python ≥ 3.12），这是它从 2019 年诞生以来的第一个大版本，API 收敛稳定、依赖升级到 GeoPandas 1.x / Shapely 2.x。踩坑有处查、升级有节奏。

③ 街道网络连通性 = 传输网拓扑体检它的 graph 模块能算节点度、介数中心性、环复杂度、网格度、紧密中心性。把 SPN 网元当节点、链路当边，这套指标就是现成的"单点故障排查 / 关键汇聚点定位 / 网格化率评估"工具。

④ 形态要素 + 强度/多样性 = 站点均衡分析Voronoi 服务单元切分 + 密度（intensity）+ 多样性（gini / shannon / simpson），直接对应"覆盖责任区划分、城乡站点分布均衡度、覆盖空洞识别"——扩容减容决策的数据底座。

⑤ 学术背书 + 文档最全JOSS 2019 软件论文（doi:10.21105/joss.01807）+ 官方 docs.momepy.org（ReadTheDocs）+ PySAL 生态 + 大量示例 Notebook。落地门槛低，社区活跃。

一、深读拆解：它到底能干什么

momepy 把"城市形态"拆成一套可计算的指标体系，核心围绕七个维度：尺寸（dimension）、形状（shape）、空间分布（spatial distribution）、强度（intensity）、多样性（diversity）、连通性（connectivity），以及生成这些指标所需的形态要素（elements，如 Voronoi 服务单元）。此外还有连续性图（continuity graph）、街景（streetscape）与数据预处理模块。

1）尺寸 / 形状 —— 量"单体"

momepy.Area 算面积、Volume 算体积、longest_axis_length 算最长轴、street_profile 算街道断面；形状侧有 circular_compactness（紧凑度）、convexity（凸性）、elongation（ elongation 伸长率）、rectangularity（矩形度）、fractal_dimension（分形维数）。

2）空间分布 / 强度 / 多样性 —— 量"关系"

分布侧用 orientation、alignment、neighbor_distance 描述要素间的朝向与邻近关系；强度侧用 courtyards、describe_agg 量化密度；多样性侧用 gini、shannon、simpson、theil 度量空间不均衡。

3）连通性 + 形态要素 —— 网络运维的"主菜"

morphological_tessellation 用 Voronoi 把建成区切成"服务单元"；gdf_to_nx / nx_to_gdf 在 GeoDataFrame 与图之间互转；连通性侧 node_degree、betweenness_centrality、cyclomatic（环复杂度）、meshedness（网格度）、gamma、COINS 全是现成的网络分析算子。

支持清单（模块 × 代表 API × 运维可类比）

二、运维实战：怎么把它跑起来

1）环境：momepy 1.0 要求 Python ≥ 3.12。它依赖 GeoPandas 1.x / libpysal 4.12+ / networkx 3.4+ / Shapely 2.1+ / NumPy 2。底层地理栈在 Windows/macOS 上用 pip 偶尔要预编译 wheel，强烈建议用 conda 装最稳；内网隔离环境可提前用 conda 打包好离线环境。

2）安装：

# 推荐：conda-forge 一键解决地理栈依赖 conda install -c conda-forge momepy  # 或 pip（需先确保 GDAL/GEOS/PROJ 等原生依赖就位） pip install momepy  # 需要 OSM 拉数据 / 空间统计 extras 时 pip install "momepy[plus]"

3）上手：三行算出"形态指标"

import momepy import geopandas as gpd import libpysal  # 载入示例建筑足迹（Prague Bubeneč 街区） buildings = gpd.read_file(momepy.datasets.get_path("bubenec"), layer="buildings") buildings["area"] = momepy.Area(buildings).series          # ① 尺寸：每栋面积  # ② 形态要素：Voronoi 把建成区切成"服务单元" limit = gpd.read_file(momepy.datasets.get_path("bubenec"), layer="limit") tess = momepy.Tessellation(buildings, unique_id="uID", limit=limit).tessellation  # ③ 多样性：相邻单元的"面积 Simpson 指数" sw = libpysal.weights.KNN(tess, k=3)                       # 3 阶邻接空间权重 tess["area_simpson"] = momepy.simpson(tess["area"], sw).series

4）主菜：把链路网当图，做连通性体检（把你的 SPN/传输环导出成"一行一条链路"的 GeoDataFrame 即可）：

import momepy import geopandas as gpd  # 你的链路网：每行一条链路（SPN / 传输环） links = gpd.read_file("spn_links.gpkg")  # ① 转成图：节点=网元，边=链路 G = momepy.gdf_to_nx(links, approach="primal")  # ② 逐节点算连通性指标 G = momepy.node_degree(G)              # 节点度：挂了几条链路（degree=1 即挂接单点） G = momepy.betweenness_centrality(G)   # 介数：多少最短路径经过它（关键汇聚点） G = momepy.cyclomatic(G)               # 环复杂度：片区里有几个独立环 G = momepy.meshedness(G)               # 网格度：0=纯树状，1=全网格 G = momepy.closeness_centrality(G)     # 紧密中心性  # ③ 转回 GeoDataFrame，落库 / 上图 nodes, edges = momepy.nx_to_gdf(G)

5）常驻：把它封成一个函数，每天/每周扫一遍网元数据，输出"高风险节点清单""网格度偏低片区""覆盖空洞网格"，接入你现有的 SPN 分析平台或定时邮件。它本身无服务进程，跑完即走，适合做成离线批处理任务或 Notebook 定时任务。

三、部署案例：三个能直接套的场景

场景一：SPN / 传输环网拓扑体检

把网元导出为点、链路导出为线，gdf_to_nx 转图后批量算节点度与介数。节点度=1 的挂接站、介数 Top5 的汇聚点，就是割接前最该重点排查的"单点故障"隐患。某本地网用类似思路（degree + betweenness）做传输环健康度打分，割接方案评审时间明显缩短。

场景二：乡镇 vs 城区站点分布均衡度

把 BTS/SPN 机房点做 diversity（gini / simpson），gini 高说明分布极不均衡——城区过密、乡镇空洞。再叠加 intensity 算每网格站点密度，直接产出"补盲清单"和"减容候选"，规划会一眼看清。

场景三：站点"覆盖责任区"划分

用 morphological_tessellation（或 enclosures）按最近邻把服务区切成单元，每个站点分到一个"责任区"，再叠加人口/楼宇，评估"单站服务建筑数/用户数"。扩容还是减容，不再是拍脑袋。

⚠️ 诚实提示：上面是把"城市要素"映射成"网络资产"的类比用法。momepy 原生不吃 SNMP、不算光功率，它提供的是空间形态与网络连通性的"量化引擎"。连通性分析可直接复用；其余场景需要你把网元/链路/站点整理成 GeoDataFrame（点/线/面）再喂进去。

四、社区精选：同赛道值得一起关注的项目

① OSMnx（gboeing/osmnx）从 OpenStreetMap 一键拉取街道网络，是 momepy 连通性分析的最佳"数据源"，二者天然互补。做传输网/路网数据底座首选。

② MovingPandas（movingpandas/movingpandas）轨迹/移动数据分析，把 GPS/AIS/巡检车轨迹当对象算速度、停驻、流向。做运维车辆调度与巡检路径分析的绝配。

③ GeoPandas（geopandas/geopandas）momepy 的底层矢量引擎，所有 GeoDataFrame 都靠它。空间分析必装的基石，绕不开。

④ libpysal（pysal/libpysal）空间权重与空间统计底层库，momepy 的 diversity/分布模块都建在它之上。做空间自相关、热点分析的核心依赖。

活跃度引擎：一起把它用起来

💬 评论区聊聊：你家的 SPN/传输拓扑，是只用网管告警被动发现隐患，还是也做"连通性量化体检"？节点度、介数、网格度这三个指标，你最想先跑哪一个？

📦 资料包钩子：留言「momepy」，领《momepy 连通性分析速查表 + 3 个网络运维适配 Notebook》（含链路网→图→指标落库完整代码）。

🗳️ 投票即内容：你最想用 GIS 量哪类网络资产？① 传输环网 ② 基站覆盖 ③ 管线路由 ④ 机房分布。票数最高的下期出专题深读。

📕 小红书回流：同名「阿艾法知识库」小红书搜"momepy"，看图文精简版与代码截图。

👤 @真实作者：@martinfleis（Martin Fleischmann，momepy 核心维护者，PySAL 贡献者）。有问题可直接去 GitHub 提 issue。

项目仓库：github.com/pysal/momepy ｜ 文档：docs.momepy.org ｜ 许可：BSD-3-Clause ｜ 引用：Fleischmann, M. (2019) JOSS 4(43):1807, doi:10.21105/joss.01807