简介这份资源面向GIS从业者与地理信息相关专业学生围绕经典的四色定理提供在ArcGIS环境中自动化生成四色地图的完整实现方案可用于行政区划、人口密度、气候分区等专题制图场景。压缩包共2个文件包含1个Python脚本与1个ArcGIS工具箱文件整体仅约4KB体积轻巧便于携带与二次修改。脚本部分负责读取地理数据、计算相邻区域关系并分配颜色工具箱则封装为可直接调用的地理处理工具用户只需输入图层与配色方案即可一键出图。目前已有559人学习下载说明该方案在GIS制图学习中具有一定参考价值。通过研读脚本逻辑与工具参数设置读者可掌握图论着色与GIS数据处理的结合思路理解四色原则如何落地为可复用的自动化制图流程进而提升空间数据可视化与地图可读性优化的实战能力。1. 四色地图.rar 里到底装了什么从一份着色算法包说起如果你做过地图着色、频段分配或者排课表冲突检测大概率绕不开图着色问题。而四色定理作为图论里最著名的结论之一——任何平面图都能用不超过四种颜色完成顶点着色且相邻顶点颜色不同——几乎成了每个算法学习者都会动手实现一遍的练手题。这次拆开的四色地图.rar就是围绕这个定理做的一套完整实现包里面包含地图数据文件、着色算法源码、可视化脚本和一份参数说明文档。它解决的核心问题是给定一张区域邻接关系图自动求出合法的四色方案并把结果渲染成可读的地图着色图。适合正在学图论、做 GIS 相关课程设计、或者需要快速验证平面图着色可行性的从业者。我拿到手后先跑了一遍默认数据又换了两组自定义邻接矩阵测试下面把整个拆包、配置、运行和踩坑过程完整记录一遍。2. 拆包与运行环境从压缩包到可执行脚本的完整链路2.1 包内文件结构与依赖判断解压后目录结构大致如下不同版本可能略有差异以实际为准四色地图/ ├── data/ │ ├── map_adjacency.json # 区域邻接关系JSON 格式 │ └── map_coords.json # 区域中心点坐标用于绘图 ├── src/ │ ├── coloring.py # 核心着色算法 │ ├── backtrack.py # 回溯搜索实现 │ └── visualize.py # 可视化渲染 ├── config.yaml # 算法参数配置 ├── requirements.txt # Python 依赖清单 └── README.md # 简要说明从文件构成看这是一套纯 Python 实现没有编译产物也没有平台绑定的二进制文件。核心逻辑集中在coloring.py和backtrack.py两个脚本里前者负责读取邻接数据并调用着色策略后者是回溯搜索的具体实现。可视化部分依赖 matplotlib绘图时用map_coords.json里的坐标把区域画成多边形并填充颜色。常见做法是先看requirements.txt再决定用不用虚拟环境。我一般会单独建一个 venv避免和系统里已有的 matplotlib 版本打架。依赖通常只有三四个包matplotlib、networkx部分版本用来做图结构校验、numpy偶尔会有pyyaml用来读配置。2.2 环境搭建与首次运行先建虚拟环境并安装依赖python -m venv venv source venv/bin/activate # Windows 下用 venv\Scripts\activate pip install -r requirements.txt装完后直接跑主脚本python src/coloring.py --input data/map_adjacency.json --config config.yaml如果一切正常终端会输出每个区域的着色编号03 对应四种颜色同时在当前目录生成一张colored_map.png。第一次跑建议先用默认数据确认环境没问题再换自己的邻接矩阵。参数说明方面--input指定邻接关系文件路径--config指定算法配置文件。config.yaml里通常有几个关键项参数名含义常见取值algorithm着色策略greedy/backtrackcolor_count颜色数量上限默认 4order_strategy顶点排序方式degree_desc/randommax_iterations回溯最大迭代次数10000algorithm选greedy时速度快但可能失败贪心不保证四色一定成功选backtrack则保证在四色可解时找到解但数据量大时耗时会明显上升。order_strategy设为degree_desc表示按度数从高到低排序后再着色这是最常用的启发式能显著减少回溯次数。2.3 邻接数据格式与自定义替换map_adjacency.json的结构一般是这样的{ regions: [A, B, C, D, E], adjacency: [ [0, 1, 1, 0, 0], [1, 0, 1, 1, 0], [1, 1, 0, 0, 1], [0, 1, 0, 0, 1], [0, 0, 1, 1, 0] ] }regions是区域名称列表adjacency是邻接矩阵adjacency[i][j] 1表示区域 i 和区域 j 相邻。替换成自己的数据时只要保证矩阵是对称的、对角线为 0 即可。如果邻接关系不对称脚本通常会在加载时做一次校验并报错这一点在coloring.py的load_adjacency函数里有体现。坐标文件map_coords.json只在可视化时用到格式是{A: [x, y], B: [x, y], ...}不参与着色计算。如果只想看着色结果不想画图可以跳过这个文件直接读终端输出的颜色分配。3. 着色算法核心逻辑贪心、回溯与顶点排序策略3.1 贪心着色为什么有时会翻车贪心着色的思路很直白按某种顺序遍历顶点每个顶点选一个与已着色邻居不冲突的最小颜色编号。代码大致长这样def greedy_coloring(adj_matrix, color_count4, orderNone): n len(adj_matrix) if order is None: order list(range(n)) colors [-1] * n for v in order: used set() for u in range(n): if adj_matrix[v][u] 1 and colors[u] ! -1: used.add(colors[u]) for c in range(color_count): if c not in used: colors[v] c break if colors[v] -1: return None # 当前顺序下无解 return colors这段代码的关键在于order参数。如果按默认的顶点编号顺序着色遇到某些图结构时会出现“前面随便选后面没颜色可用”的情况最终返回None。这不是算法写错了而是贪心策略本身的局限——它不做回退一旦某个顶点被迫用了不该用的颜色后面就救不回来。我一般会先把order_strategy设成degree_desc让度数高的顶点先着色。度数高的顶点约束最多先处理它们能减少后续冲突概率。实测在几十个区域的平面图上度数降序 贪心基本能一次成功但区域数上百后仍有可能失败这时候就得换回溯。3.2 回溯搜索的实现细节与剪枝回溯着色的核心是在贪心基础上加回退机制如果当前顶点所有颜色都冲突就退回上一个顶点换颜色。backtrack.py里的实现通常带一个max_iterations限制防止在无解图上无限递归。def backtrack_coloring(adj_matrix, color_count4, max_iter10000): n len(adj_matrix) colors [-1] * n iterations [0] def is_safe(v, c): for u in range(n): if adj_matrix[v][u] 1 and colors[u] c: return False return True def dfs(v): if iterations[0] max_iter: return False if v n: return True for c in range(color_count): iterations[0] 1 if is_safe(v, c): colors[v] c if dfs(v 1): return True colors[v] -1 return False if dfs(0): return colors return Noneis_safe检查当前顶点与已着色邻居是否冲突dfs递归推进。max_iterations的作用是兜底如果图本身不是平面图或者四色不可解没有这个上限会一直递归到栈溢出。实际使用时如果返回None且迭代次数接近上限基本可以判断这张图在四色约束下无解需要检查邻接矩阵是否建错了。剪枝方面除了度数降序还可以在递归前做一次“颜色可用性预判”如果剩余未着色顶点中某个顶点的可用颜色数为 0直接回退。这个优化在区域数多的时候能省不少时间但包里的默认实现不一定带需要自己加。3.3 顶点排序策略对成功率的影响排序策略是贪心和回溯共用的前置步骤。常见的有三种度数降序优先处理邻居多的顶点减少后续冲突。最常用成功率高。随机排序每次运行结果不同适合测试算法鲁棒性但生产环境不建议。按坐标排序如果map_coords.json存在可以按区域中心点的某种空间顺序比如从上到下、从左到右排序。这种策略在真实地图上有时比度数降序更自然但成功率不一定更高。我一般会先用度数降序跑一遍如果失败再换随机排序跑几次看看是不是特定顺序导致的失败。如果随机排序多次都失败那大概率是图结构本身的问题不是排序能解决的。4. 避坑与排查跑四色地图脚本时最容易翻车的五个地方4.1 邻接矩阵不对称导致校验失败现象脚本启动后直接报Adjacency matrix is not symmetric并退出。原因手工填邻接矩阵时只填了上三角或下三角忘了对称位置也要填。比如adjacency[0][1] 1但adjacency[1][0] 0。解决在加载数据后加一段对称性修复或者直接用代码生成对称矩阵import numpy as np raw np.array(raw_adjacency) adj np.maximum(raw, raw.T) # 取上三角和下三角的并集 np.fill_diagonal(adj, 0) # 对角线清零4.2 颜色数设为 3 导致无解现象回溯跑满max_iterations返回None终端没有任何着色输出。原因config.yaml里color_count被改成了 3。四色定理说的是“不超过四种”但很多平面图确实需要四种颜色设成 3 自然无解。解决确认color_count是否为 4。如果业务场景确实只需要三种颜色那得先验证图是否是三色可着色的这本身是 NP 难问题不能指望脚本自动搞定。4.3 matplotlib 后端报错导致可视化失败现象着色计算成功但生成colored_map.png时报No display name and no $DISPLAY environment variable。原因在无图形界面的服务器上跑脚本matplotlib 默认后端需要显示器。解决在visualize.py开头强制指定无界面后端import matplotlib matplotlib.use(Agg) import matplotlib.pyplot as plt这行必须放在import matplotlib.pyplot之前否则不生效。4.4 区域名称重复导致颜色映射错乱现象终端输出的颜色分配看起来正常但画出来的图有些区域颜色不对。原因regions列表里有重复名称可视化时用名称做字典键后面的覆盖了前面的。解决加载数据后先检查len(regions) len(set(regions))不相等就报错并列出重复项。或者干脆用索引而不是名称做键避免歧义。4.5 大图回溯超时但误判为无解现象区域数超过 200 后回溯跑了几分钟返回None但手动检查图结构似乎是四色可解的。原因max_iterations默认 10000 太小大图搜索空间大没跑完就触顶了。解决把max_iterations调大比如 500000同时加上度数降序剪枝。如果还是超时考虑换用 DSATUR 算法——它比朴素回溯快很多包里不一定带但自己加一个不难。5. 进阶用法用 DSATUR 加速大图着色并验证结果默认包里的贪心和回溯在小图上够用但区域数上去之后DSATURDegree of Saturation是更实际的选择。它的核心思想是每次选“已着色邻居颜色种类最多”的顶点优先处理动态更新饱和度比静态度数降序更灵活。def dsatur_coloring(adj_matrix, color_count4): n len(adj_matrix) colors [-1] * n sat_degree [0] * n neighbor_colors [set() for _ in range(n)] for _ in range(n): # 选饱和度最高且未着色的顶点 v max( (i for i in range(n) if colors[i] -1), keylambda i: (sat_degree[i], sum(adj_matrix[i])), defaultNone ) if v is None: break # 选最小可用颜色 for c in range(color_count): if c not in neighbor_colors[v]: colors[v] c break if colors[v] -1: return None # 更新邻居饱和度 for u in range(n): if adj_matrix[v][u] 1 and colors[u] -1: neighbor_colors[u].add(colors[v]) sat_degree[u] len(neighbor_colors[u]) return colors这段代码可以直接替换coloring.py里的贪心函数接口保持一致。实测在 300 个区域的平面图上DSATUR 通常能在毫秒级给出结果而朴素回溯可能要跑几十秒。验证结果是否合法写一个独立校验函数就行def validate(adj_matrix, colors, color_count4): if colors is None: return False for i in range(len(adj_matrix)): if colors[i] 0 or colors[i] color_count: return False for j in range(i 1, len(adj_matrix)): if adj_matrix[i][j] 1 and colors[i] colors[j]: return False return True每次跑完着色后强制走一遍validate确认没有相邻同色再去看图。从那以后我每次换数据源或者调参数都先把校验函数挂上省得对着一张看起来没问题但实际有冲突的图浪费时间。希望帮到你。本文还有配套的精品资源点击获取