本文旨在解决如何将Python地理空间地图（使用Folium）的交互性与用户输入及Python后端计算（如线性规划）结合的问题。我们将探讨Folium在复杂交互方面的局限性，并提供两种主要解决方案：一是利用Streamlit或Gradio等Python交互式UI框架快速构建应用，二是采用Flask后端与JavaScript前端的全栈Web开发模式，详细阐述如何实现地图点击事件、获取用户输入并触发后端计算。
1. 挑战与Folium的局限性
原始需求是在用户点击地图上的区域（例如行政区）时，弹出一个窗口，要求用户输入“需求（Demand）”和“投资（Investment）”两个值，然后基于这些输入执行一个Python线性规划（LP）计算。
最初的代码片段展示了如何使用folium和geopandas生成一个包含行政区划的交互式地图，并在点击时显示一个简单的弹出窗口。另一个片段则定义了一个lp函数，用于执行线性规划计算，并通过input()函数获取用户输入。
然而，这种直接结合存在以下核心问题：
立即学习“Python免费学习笔记（深入）”；
- Folium的交互性限制： folium主要用于生成静态的HTML地图文件，其内置的folium.Popup通常用于显示预设的文本或HTML内容。虽然它提供了一些基本的交互（如缩放、平移、显示提示信息），但要实现复杂的表单输入、事件监听和数据提交，并与Python后端进行实时通信，Folium本身并不直接支持。它生成的是客户端HTML，无法直接调用服务器端的Python函数。
- input()函数的适用性： Python的input()函数是一个阻塞式的控制台输入函数，它在程序运行时暂停执行，等待用户在命令行界面输入数据。这在Web环境中是完全不适用的，Web应用需要通过浏览器界面获取用户输入。
因此，要实现点击地图区域后弹出输入框并触发Python计算的功能，我们需要引入更强大的Web交互机制。
2. 方案一：基于Python的交互式UI框架
对于希望快速构建具有交互功能的Web应用，且主要使用Python的开发者，Streamlit和Gradio是优秀的解决方案。它们提供了一套高级组件，能够将Python代码直接转化为交互式Web界面，无需深入了解前端技术（HTML/CSS/JavaScript）。
2.1 Streamlit
Streamlit以其极简的API和快速原型开发能力而闻名。它提供了st.map等地图组件，并且可以方便地集成各种输入控件。
核心思路：
- 使用Streamlit的地图组件展示地理数据。
- 通过Streamlit的输入组件（如st.number_input）获取用户输入。
- 在Streamlit应用的回调函数中调用Python的lp计算逻辑。
优点：
- 纯Python开发，无需前端知识。
- 快速构建原型和数据应用。
- 内置了许多常用的UI组件。
概念性代码示例（Streamlit风格）：
import streamlit as st
import geopandas as gpd
import json
import pulp
# 假设 consts 函数已定义并能正确工作
# from your_module import consts
# 模拟 consts 函数，实际应从文件读取
def consts(district):
# 示例数据，实际应从Excel读取
data = {
"Maputo City": {"A": "10", "B": "20", "C": "30"},
"Matola": {"A": "15", "B": "25", "C": "35"},
# ... 更多地区数据
}
return data.get(district, {"A": "1", "B": "1", "C": "1"})
def lp_streamlit(district_name, demand, investment):
"""
修改后的lp函数，直接接收参数而不是通过input()获取
"""
model = pulp.LpProblem(name=f"Lp_{district_name}", sense=pulp.const.LpMinimize)
district_consts = consts(district_name)
A = float(district_consts.get("A"))
B = float(district_consts.get("B"))
C = float(district_consts.get("C"))
x_1 = pulp.LpVariable(name="x_1", lowBound=0)
x_2 = pulp.LpVariable(name="x_2", lowBound=0)
x_3 = pulp.LpVariable(name="x_3", lowBound=0)
obj_func = 41*x_1 + 11*x_2 + 24*x_3
model += obj_func
model += (x_1 + x_2 + x_3 >= demand)
model += (A*x_1 + B*x_2 + C*x_3 <= investment)
status = model.solve()
results = {}
if pulp.LpStatus[status] == "Optimal":
for var in model.variables():
results[var.name] = var.value()
else:
results["status"] = pulp.LpStatus[status]
return results
st.title("莫桑比克地区数据分析")
# 假设你有一个包含地理信息和地区名称的GeoDataFrame
# 例如：districts = gpd.read_file("Distritos.shp")
# 为简化，这里创建一个模拟的GeoDataFrame
data = {
'ADM2_PT': ['Maputo City', 'Matola', 'Boane'],
'geometry': [
gpd.points_from_xy([32.58, -25.97]).iloc[0],
gpd.points_from_xy([32.48, -25.87]).iloc[0],
gpd.points_from_xy([32.38, -26.07]).iloc[0]
]
}
districts = gpd.GeoDataFrame(data, crs="EPSG:4326")
# Streamlit的地图组件可以直接显示GeoDataFrame
st.subheader("选择一个地区进行分析")
st.map(districts) # 注意：st.map功能相对基础，更复杂的地图可能需要使用st.pydeck_chart或Folium嵌入
# 假设用户通过其他方式选择了地区，例如下拉菜单
selected_district = st.selectbox(
"请选择一个地区:",
districts['ADM2_PT'].tolist()
)
if selected_district:
st.subheader(f"为 {selected_district} 输入参数:")
demand_input = st.number_input("需求 (Demand):", min_value=0.0, value=100.0, step=1.0)
investment_input = st.number_input("投资 (Investment):", min_value=0.0, value=500.0, step=1.0)
if st.button("运行计算"):
with st.spinner("正在计算中..."):
lp_results = lp_streamlit(selected_district, demand_input, investment_input)
st.write("### 计算结果:")
st.json(lp_results)
2.2 Gradio
Gradio是另一个用于快速构建机器学习模型Web界面的Python库，但它同样适用于任何Python函数。它也提供了地图组件和各种输入输出组件。
核心思路：
- 定义一个Python函数，该函数接收用户输入（地区名、需求、投资）并返回计算结果。
- 使用Gradio的gr.Interface将该函数包装成Web应用，并配置相应的输入输出组件。
优点：
- 快速为Python函数创建Web界面。
- 支持多种输入输出类型。
- 尤其适合演示和分享Python模型。
概念性代码示例（Gradio风格）：
import gradio as gr
import geopandas as gpd
import pulp
# 假设 consts 函数已定义并能正确工作
# from your_module import consts
# 模拟 consts 函数，实际应从文件读取
def consts(district):
# 示例数据
data = {
"Maputo City": {"A": "10", "B": "20", "C": "30"},
"Matola": {"A": "15", "B": "25", "C": "35"},
# ... 更多地区数据
}
return data.get(district, {"A": "1", "B": "1", "C": "1"})
def lp_gradio(district_name, demand, investment):
"""
修改后的lp函数，直接接收参数而不是通过input()获取
"""
model = pulp.LpProblem(name=f"Lp_{district_name}", sense=pulp.const.LpMinimize)
district_consts = consts(district_name)
A = float(district_consts.get("A"))
B = float(district_consts.get("B"))
C = float(district_consts.get("C"))
x_1 = pulp.LpVariable(name="x_1", lowBound=0)
x_2 = pulp.LpVariable(name="x_2", lowBound=0)
x_3 = pulp.LpVariable(name="x_3", lowBound=0)
obj_func = 41*x_1 + 11*x_2 + 24*x_3
model += obj_func
model += (x_1 + x_2 + x_3 >= demand)
model += (A*x_1 + B*x_2 + C*x_3 <= investment)
status = model.solve()
results = {}
if pulp.LpStatus[status] == "Optimal":
for var in model.variables():
results[var.name] = var.value()
else:
results["status"] = pulp.LpStatus[status]
return results
# 假设 districts 是一个GeoDataFrame，包含 'ADM2_PT' 列
# For Gradio, we might just use a dropdown for districts if map interaction is complex
# districts = gpd.read_file("Distritos.shp")
# district_choices = districts['ADM2_PT'].tolist()
district_choices = ["Maputo City", "Matola", "Boane"] # 简化示例
iface = gr.Interface(
fn=lp_gradio,
inputs=[
gr.Dropdown(district_choices, label="选择地区"),
gr.Number(label="需求 (Demand)", value=100.0),
gr.Number(label="投资 (Investment)", value=500.0)
],
outputs="json", # 输出可以是文本、JSON等
title="地区线性规划计算器",
description="选择一个地区并输入需求和投资进行计算。"
)
# iface.launch() # 在本地运行Gradio应用3. 方案二：构建全栈Web应用（Flask + JavaScript）
对于需要高度定制化界面、复杂交互逻辑或大规模部署的Web应用，采用传统的全栈Web开发模式（后端框架如Flask/FastAPI，前端技术如HTML/CSS/JavaScript及其框架如React/Vue/Angular）是更专业的选择。
本节将以Flask作为后端框架，结合JavaScript实现Folium地图的交互。
3.1 核心思路
-
后端 (Flask):
- 提供一个Web服务器，用于渲染包含Folium地图的HTML页面。
- 提供API接口，接收前端发送的地区名称、需求和投资数据。
- 在API接口中调用Python的lp函数进行计算，并将结果返回给前端。
-
前端 (HTML/JavaScript):
- 在HTML页面中嵌入Folium地图。
- 关键： 监听Folium地图上GeoJson层的点击事件。
- 当点击事件发生时，获取被点击的地区名称。
- 在页面上动态显示一个模态框（Modal）或表单，收集用户的“需求”和“投资”输入。
- 使用JavaScript的fetch API将收集到的数据发送到Flask后端API。
- 接收后端返回的计算结果，并在页面上展示。
3.2 后端实现 (Flask)
首先，确保lp和consts函数能够接收参数而不是通过input()获取。
# app.py
from flask import Flask, render_template, request, jsonify
import folium
import geopandas as gpd
import json
import pulp
import openpyxl
import os
app = Flask(__name__)
# --- 辅助函数：从Excel加载常量 ---
def consts(district):
values = {}
# 确保Excel文件路径正确，这里假设在项目根目录
excel_path = os.path.join(os.path.dirname(__file__), 'Dados_py.xlsx')
try:
book = openpyxl.load_workbook(excel_path)
worksheet = book["Dados"]
for row in worksheet.iter_rows(min_row=1, values_only=True):
if row[0] == district:
values = {"A": str(row[1]), "B": str(row[2]), "C": str(row[3])}
break
except FileNotFoundError:
print(f"Error: Excel file not found at {excel_path}")
return values
# --- 线性规划计算函数 ---
def lp(district_name, demand, investment):
model = pulp.LpProblem(name=f"Lp_{district_name}", sense=pulp.const.LpMinimize)
district_consts = consts(district_name)
if not district_consts:
return {"error": f"No constants found for district: {district_name}"}
A = float(district_consts.get("A"))
B = float(district_consts.get("B"))
C = float(district_consts.get("C"))
x_1 = pulp.LpVariable(name="x_1", lowBound=0)
x_2 = pulp.LpVariable(name="x_2", lowBound=0)
x_3 = pulp.LpVariable(name="x_3", lowBound=0)
obj_func = 41*x_1 + 11*x_2 + 24*x_3
model += obj_func
model += (x_1 + x_2 + x_3 >= demand)
model += (A*x_1 + B*x_2 + C* 
