<think>我们将按照以下步骤实现： 1. 遍历主文件夹下的所有子文件夹，寻找以"025"、"075"、"CL"命名的shp文件。 2. 分别合并这些文件：将找到的所有025文件合并成一个，075合并成一个，CL合并成一个。 3. 保留原属性表中的数据。 注意：因为可能有多个子文件夹，每个子文件夹中可能有多个符合条件的shp文件（但每个子文件夹最多只有三个，分别以025、075、CL命名），我们需要收集所有符合条件的文件路径。 步骤： a. 定义主文件夹路径。 b. 使用os.walk遍历主文件夹，收集所有以"025"、"075"、"CL"结尾的shp文件路径。 注意：我们要求文件名包含"025"等，但为了避免误匹配，我们可以检查文件名中是否包含（并且通常是以这些字符串结尾，但实际文件名可能有更多字符，比如“XX025.shp”）。因此，我们可以检查文件名中是否包含这些字符串。但根据需求，我们只要求文件名中有“025”、“075”或“CL”。所以我们可以用字符串匹配。 但是注意：用户要求的是以“025”、“075”、“CL”命名，但实际可能是文件名的部分，比如“area025.shp”或“025.shp”。所以我们将收集所有包含这三个字符串的文件。但这样可能有误，比如一个文件名为“CL025.shp”可能会被同时收集到025和CL。为了避免重复合并，我们需要按类别分别存储。 另一种思路：我们分别收集三个类别的文件。对于每个文件，如果文件名包含“025”则归到025组，包含“075”归到075组，包含“CL”归到CL组。但是注意，一个文件名可能同时包含多个关键字？根据用户之前的描述，它们是分别命名的，所以我们应该不需要担心重叠。但为了安全，我们可以要求文件名中只能包含其中一个关键字？或者按照用户的要求，分别合并，所以即使一个文件同时包含两个关键字，也会被合并两次（这可能不是用户想要的）。为了避免这种情况，我们需要明确规则。 但是用户的问题是：以“025”“075”“CL”命名，我们可以理解为文件名的核心部分就是这三个字符串，但是实际可能有前缀后缀。为了减少误匹配，我们可以使用精确匹配或者部分匹配，但用户并没有明确。为了安全，我们假设每个文件只包含一个这样的字符串，并且我们按照字符串出现来分类（即如果一个文件同时包含025和CL，那么它会被同时归入025和CL，这样可能会导致重复）。所以我们需要用户确保每个文件只属于一个类别？ 但是用户要求是分别合并，所以我们可以按照三个独立的集合来收集。用户可能是希望每个文件只能属于一个类别。因此，我们可以按顺序处理：先收集025，再收集075，再收集CL。但是为了避免重复，我们可以在收集后从列表中移除已经收集的文件？这样也不对，因为多个类别的文件应该是独立的。 我们与用户确认：实际应用中，可能每个子文件夹中包含三个文件：一个025、一个075、一个CL，所以不存在冲突。所以我们可以这样： 遍历每个子文件夹，对于每个文件，如果文件名包含“025”则放入025列表，如果包含“075”则放入075列表，如果包含“CL”则放入CL列表。 但是如果一个文件同时包含025和075，那么它会被放入两个列表。这取决于实际文件命名规则。为了保险起见，我们可以使用三个独立的循环，分别匹配。但是这样会遍历三次。或者我们可以用一个循环，然后分别判断三个关键词，并分别添加。 由于用户没有说明文件名的具体格式，我们假设文件名中仅包含一个这样的关键词。因此，我们将分别判断。 如果用户希望避免重复，我们可以在匹配时按照优先级选择（例如匹配到一个就不再匹配其他），但是这样也不行，因为可能有文件名包含多个关键词，而用户希望它被多个类别收集。所以，我们按照三个独立的类别收集，即一个文件可能被收集到多个类别中。 但是用户的需求是分别合并，所以即使一个文件被多个类别收集，那么在合并的时候它就会出现在多个合并后的文件中。这可能是用户想要的，也可能不是。因此，我们按照需求文档，不改变用户的数据，只按照文件名中包含的字符串来收集。 c. 对于每个类别，使用geopandas分别读取所有文件，然后合并（使用geopandas.pd.concat）成一个geodataframe，然后保存为一个新的shp文件。 注意：合并时，如果属性表结构不一致（比如字段名不同或者字段类型不同）可能会出错。我们要确保合并的文件具有相同的结构？但是用户要求保留原属性表数据。因此，我们需要处理可能的结构不一致问题。 有两种情况： 1. 所有要合并的shp文件结构（属性字段）完全相同：合并没有障碍。 2. 结构不完全相同：geopandas会以第一个文件的属性结构为基准，后面文件如果有多出的字段则会被忽略，而少了的字段会以NaN填充。 所以，如果用户希望保留所有属性字段，那么我们需要： 可以先收集所有文件的字段，然后取并集，然后对每个文件补充字段，然后再合并？但是这样比较繁琐，而且geopandas的concat函数现在（0.9.0以上）已经可以自动对齐列，所以我们可以直接使用concat。 根据geopandas文档，concat函数会按照列名进行对齐。所以如果两个文件的列名相同，那么数据就会放在同一列，如果列名不同，那么就会在多出来的列中填充NaN。因此，我们直接使用concat即可。 但是注意：geopandas.concat不会自动处理数据类型的改变，如果有相同的列名但是数据类型不同，可能会出问题。我们需要确保相同列名的数据类型一致。如果出现不一致，我们可以尝试统一转换为字符串？但用户没有提供具体的数据类型信息，所以我们先假设每个类别内的文件属性结构是相同的。 如果用户知道每个类别内的文件结构相同，那么不会出现问题。如果不同，那么合并后的结果可能会出现NaN值，这是无法避免的。 d. 保存合并后的文件。注意：保存为shp文件时，要注意文件路径不能太长，而且要注意编码问题。我们使用默认的UTF-8编码。 代码结构： 步骤： 1. 导入必要的库：geopandas, os 2. 设置主文件夹路径 3. 初始化三个列表：list_025, list_075, list_CL 用于存储文件路径 4. 使用os.walk遍历主文件夹，对于每个文件，如果文件名包含"025"则加入list_025，如果包含"075"则加入list_075，如果包含"CL"则加入list_CL（这里我们使用大小写不敏感匹配？但是shp文件通常在Windows中大小写不敏感，所以我们用字符串的包含判断，并转为小写来避免大小写问题） 注意：我们只收集扩展名为.shp的文件。 5. 分别对每个列表中的文件路径进行合并： gdf_list = [] for file in list_025: gdf = gpd.read_file(file) gdf_list.append(gdf) combined_gdf = gpd.GeoDataFrame(pd.concat(gdf_list, ignore_index=True)) 然后保存：combined_gdf.to_file("merged_025.shp", encoding='utf-8') 6. 同样方法处理075和CL。 但是注意：如果文件非常多，内存可能不够，可以逐层合并？但是geopandas目前没有流式合并，所以只能一次读入内存。 如果文件太大，我们可以考虑使用其他库，但是这里我们假设文件不大。 另外，用户要求在主文件夹内操作，所以合并后的文件应该保存在主文件夹中。 但是，如果三个列表中有相同的文件（比如一个文件同时包含025和075），那么它会被合并两次，这样就会重复。因此，我们需要用户确保一个文件不会同时属于多个类别？或者用户希望如此？ 由于用户问题描述是分别合并，所以我们就按照关键词来收集，不管是否重复。 代码实现： 注意：文件名可能包含多个关键词，所以可能出现一个文件出现在多个列表中。 我们开始编写代码： </think> 以下是用 Python 和 GeoPandas 实现合并指定 SHP 文件的代码解决方案，符合你的需求且附详细注释说明： ```python import os import geopandas as gpd # 设置根文件夹路径（替换为你的实际路径） root_dir = "/path/to/your/main_folder" # 修改为你的主文件夹路径 # 定义目标文件名标识 targets = ["025", "075", "CL"] merged_data = {target: [] for target in targets} # 按类别存储待合并数据 # 遍历所有子文件夹查找目标文件 for foldername, subfolders, filenames in os.walk(root_dir): for filename in filenames: if filename.endswith(".shp"): # 检查文件名是否包含目标标识 for target in targets: if target in filename: # 非精确匹配（包含标识即符合） file_path = os.path.join(foldername, filename) try: # 读取SHP文件并添加到对应类别 gdf = gpd.read_file(file_path) merged_data[target].append(gdf) print(f"找到文件: {file_path} → 添加到 {target} 组") except Exception as e: print(f"读取错误 {file_path}: {str(e)}") # 合并并保存为新的形状文件 output_dir = os.path.join(root_dir, "MergedResults") os.makedirs(output_dir, exist_ok=True) for target, gdf_list in merged_data.items(): if gdf_list: # 确保列表非空 try: # 合并GeoDataFrame（所有属性自动保留） combined_gdf = gpd.pd.concat(gdf_list, ignore_index=True) output_path = os.path.join(output_dir, f"Merged_{target}.shp") # 保存结果（保留所有字段） combined_gdf.to_file(output_path, encoding='utf-8') print(f"√ 成功合并 {len(gdf_list)} 个文件 → {output_path}") except Exception as e: print(f"合并 {target} 时出错: {str(e)}") else: print(f"× 未找到 {target} 类文件") print("处理完成！结果保存在:", output_dir) ``` ### 关键说明： 1. **遍历逻辑**： - 使用 `os.walk` 递归搜索所有子文件夹 - 自动识别文件名包含 `025`/`075`/`CL` 的 SHP 文件 - **非精确匹配**：只要文件名包含目标字符串即匹配（如 `City_025.shp` 和 `025_Boundary.shp` 均会被识别） 2. **数据合并**： - 使用 `geopandas.pd.concat()` 合并要素 - `ignore_index=True` 保证索引连续性 - **属性保留**：自动继承所有原始属性表字段 3. **输出结果**： - 在根目录创建 `MergedResults` 文件夹 - 生成三个合并文件： `Merged_025.shp` `Merged_075.shp` `Merged_CL.shp` ### 使用前注意： 1. 修改第 4 行的 `root_dir` 为你的实际主文件夹路径 2. 确保已安装依赖库： ```bash pip install geopandas pandas ``` 3. 若合并失败可能原因： - 不同文件的坐标系统不一致 - 属性表结构差异过大 - 内存不足（处理超大文件时） ### 高级扩展： 如需处理坐标系统问题，可在合并前添加： ```python # 添加在合并前（第28行附近） crs = gdf_list[0].crs # 取第一个文件的坐标系 for gdf in gdf_list: if gdf.crs != crs: gdf = gdf.to_crs(crs) # 坐标系统一化 ```