全国地铁站点
一行是一条地铁线路上的一个站：站名、线路、站序、城市、省份和经纬度。换乘站在每条线上各一行。
v1 生效中 · 2026/11/14 发布险种标签：责任险数据出处 网上流传的《2025 年全国地铁路线及站点数据》（按城市分文件，WGS84 坐标），出处没有写明，和全国地铁线路几何是同一份
- 记录
- 1.9 万
- 字段
- 10
- AI 扩增字段
- 2
- 平均非空率
- 100%
- 字段完整度
10 个字段，9 个没有空值，2 个 AI 扩增
01字段
字段来源，逐一标明
共 10 个字段，其中 AI 扩增字段 2 个。非空率按当前版本的 18,686 行计算。
关于这个数据集
一行是一条地铁线路上的一个站：站名、线路、站序、城市、省份和经纬度。换乘站在每条线上各一行。覆盖 69 个城市，共 18686 行。线路的走向见全国地铁线路几何。可用来看人流密集的地点，做公众责任险和地下空间水淹风险的参照。
| 字段 | 类型 | 来源 | 非空率 | 可过滤 | 可返回 | 说明 |
|---|---|---|---|---|---|---|
| 站名station_name | 文本 | 原生 | 100% | 去掉了城市名前缀和“(地铁站)” | ||
| 原站名station_name_raw | 文本 | 原生 | 100% | 原表的写法 | ||
| 线路route_name | 文本 | 原生 | 100% | 线路名和起止站 | ||
| 站序station_order | 整数 | 原生 | 100% | 在这条线路上的第几站 | ||
| 城市city规律 1：城市的字段规律字段规律：city_code由省份、城市扩增得出。键：城市名称。样本里格式符合 85.3%，还没有参照 | 文本 | 原生 | 100% | — | ||
| 省份province规律 1：省份的字段规律字段规律：city_code由省份、城市扩增得出。键：省份名称。样本里格式符合 96.3%，还没有参照 | 文本 | 原生 | 100% | — | ||
| 纬度lat规律 1：纬度的字段规律字段规律：county_code由经度、纬度扩增得出。键：纬度。样本里格式符合 100%，还没有参照 | 小数 | 原生 | 100% | WGS84 | ||
| 经度lng规律 1：经度的字段规律字段规律：county_code由经度、纬度扩增得出。键：经度。样本里格式符合 100%，还没有参照 | 小数 | 原生 | 100% | WGS84 | ||
| 城市区划代码city_code规律 1：城市区划代码的字段规律字段规律：city_code由省份、城市扩增得出。键：市级区划代码。样本里格式符合 100%，98.5% 的行对上参照 region-name-alias | 文本 | 规则扩增第 2 级扩增查看溯源：城市区划代码 | 99%平均置信度 0.97校验少：不建议单独作为决策依据 | 由省份、城市查行政区划参照得出的现行地级区划代码。程序查表，不用模型。对不上或置信度低的为空 | ||
| 所在区县代码county_code规律 1：所在区县代码的字段规律字段规律：county_code由经度、纬度扩增得出。键：县级区划代码。样本里格式符合 100%，100% 的行对上参照 county-boundary | 文本 | 规则扩增第 2 级扩增查看溯源：所在区县代码 | 100%平均置信度 0.94校验少：不建议单独作为决策依据 | 经度、纬度落在哪个区县，现行的县级区划代码。用县级边界查出，不用模型。离边界不到 1 公里的点置信度较低 |
02样本
先看样本，再做决定
这里显示当前版本的前 20 行。这个数据集没有敏感字段。
| # | 站名station_name | 原站名station_name_raw | 线路route_name | 站序station_order | 城市city | 省份province | 纬度lat | 经度lng | 城市区划代码city_code | 所在区县代码county_code |
|---|---|---|---|---|---|---|---|---|---|---|
| 1 | 富锦路 | 上海富锦路(地铁站) | 上海地铁1号线(富锦路--莘庄) | 1 | 上海 | 上海市 | 31.394045 | 121.420008 | 310000 | 310113 |
| 2 | 友谊西路 | 上海友谊西路(地铁站) | 上海地铁1号线(富锦路--莘庄) | 2 | 上海 | 上海市 | 31.383088 | 121.423306 | 310000 | 310113 |
| 3 | 宝安公路 | 上海宝安公路(地铁站) | 上海地铁1号线(富锦路--莘庄) | 3 | 上海 | 上海市 | 31.371354 | 121.426272 | 310000 | 310113 |
| 4 | 共富新村 | 上海共富新村(地铁站) | 上海地铁1号线(富锦路--莘庄) | 4 | 上海 | 上海市 | 31.35689 | 121.429428 | 310000 | 310113 |
| 5 | 呼兰路 | 上海呼兰路(地铁站) | 上海地铁1号线(富锦路--莘庄) | 5 | 上海 | 上海市 | 31.341522 | 121.433084 | 310000 | 310113 |
| 6 | 通河新村 | 上海通河新村(地铁站) | 上海地铁1号线(富锦路--莘庄) | 6 | 上海 | 上海市 | 31.332957 | 121.436927 | 310000 | 310113 |
| 7 | 共康路 | 上海共康路(地铁站) | 上海地铁1号线(富锦路--莘庄) | 7 | 上海 | 上海市 | 31.320778 | 121.442456 | 310000 | 310106 |
| 8 | 彭浦新村 | 上海彭浦新村(地铁站) | 上海地铁1号线(富锦路--莘庄) | 8 | 上海 | 上海市 | 31.308454 | 121.444041 | 310000 | 310106 |
| 9 | 汶水路 | 上海汶水路(地铁站) | 上海地铁1号线(富锦路--莘庄) | 9 | 上海 | 上海市 | 31.294416 | 121.445656 | 310000 | 310106 |
| 10 | 上海马戏城 | 上海上海马戏城(地铁站) | 上海地铁1号线(富锦路--莘庄) | 10 | 上海 | 上海市 | 31.281763 | 121.447433 | 310000 | 310106 |
| 11 | 延长路 | 上海延长路(地铁站) | 上海地铁1号线(富锦路--莘庄) | 11 | 上海 | 上海市 | 31.273553 | 121.450747 | 310000 | 310106 |
| 12 | 中山北路 | 上海中山北路(地铁站) | 上海地铁1号线(富锦路--莘庄) | 12 | 上海 | 上海市 | 31.260784 | 121.454634 | 310000 | 310106 |
| 13 | 上海火车站 | 上海上海火车站(地铁站) | 上海地铁1号线(富锦路--莘庄) | 13 | 上海 | 上海市 | 31.249145 | 121.451106 | 310000 | 310106 |
| 14 | 汉中路 | 上海汉中路(地铁站) | 上海地铁1号线(富锦路--莘庄) | 14 | 上海 | 上海市 | 31.243783 | 121.45413 | 310000 | 310106 |
| 15 | 新闸路 | 上海新闸路(地铁站) | 上海地铁1号线(富锦路--莘庄) | 15 | 上海 | 上海市 | 31.240297 | 121.46361 | 310000 | 310101 |
| 16 | 人民广场 | 上海人民广场(地铁站) | 上海地铁1号线(富锦路--莘庄) | 16 | 上海 | 上海市 | 31.234632 | 121.47059 | 310000 | 310101 |
| 17 | 一大会址·黄陂南路 | 上海一大会址·黄陂南路(地铁站) | 上海地铁1号线(富锦路--莘庄) | 17 | 上海 | 上海市 | 31.224672 | 121.468694 | 310000 | 310101 |
| 18 | 陕西南路 | 上海陕西南路(地铁站) | 上海地铁1号线(富锦路--莘庄) | 18 | 上海 | 上海市 | 31.219144 | 121.455392 | 310000 | 310101 |
| 19 | 常熟路 | 上海常熟路(地铁站) | 上海地铁1号线(富锦路--莘庄) | 19 | 上海 | 上海市 | 31.215277 | 121.44646 | 310000 | 310104 |
| 20 | 衡山路 | 上海衡山路(地铁站) | 上海地铁1号线(富锦路--莘庄) | 20 | 上海 | 上海市 | 31.206417 | 121.441826 | 310000 | 310104 |
03版本
每次发布，都留记录
发布后的数据版本不能修改。更正时发布新版本，旧版本保留。
版本 v12026/11/14 发布
生效中18,686 行 · 10 个字段 · 初始导入
04关联
和其他数据集，按键连起来
按键连到地区，能和不少于 81 个数据集连接。共享同一种键的数据集能连接。按共享的键分组，对上的行多的在前。
按 城市 + 区县 + 省份 能连
56 个数据集 · 本数据集 18,412 行有城市- 区县相邻关系明细区域底数 · 841 万 行 · 连接字段 city_code、county_code、province_code按城市对上本数据集 18,412 行（98%）
- 全国土地出让记录工程项目 · 351.2 万 行 · 连接字段 province、city_code、county_code按城市对上本数据集 18,412 行（98%）
- 县级逐月风速自然灾害 · 293.5 万 行 · 连接字段 city_code、region_code、province按城市对上本数据集 18,412 行（98%）
- 银行业金融机构网点明细保险市场 · 47.7 万 行 · 连接字段 province、city_code、county_code按城市对上本数据集 18,412 行（98%）
- 区县金融网点数量区域底数 · 39 万 行 · 连接字段 province、city_code、county_code按城市对上本数据集 18,412 行（98%）
- 金融机构网点明细保险市场 · 27.5 万 行 · 连接字段 province、city_code、county_code按城市对上本数据集 18,412 行（98%）
- 县级逐年降水量自然灾害 · 20.4 万 行 · 连接字段 city_code、province、region_code按城市对上本数据集 18,412 行（98%）
- 县级矫正夜间灯光区域底数 · 8.9 万 行 · 连接字段 county_code、province、region_code按城市对上本数据集 18,412 行（98%）
- 全国县市区碳排放区域底数 · 5.7 万 行 · 连接字段 city_code、county_code、province按城市对上本数据集 18,412 行（98%）
- 全国区县人工智能企业数企业主体 · 4.9 万 行 · 连接字段 province、county_code、city_code按城市对上本数据集 18,412 行（98%）
- 全国医院名录医疗药械 · 4.6 万 行 · 连接字段 province、county_code、city_code按城市对上本数据集 18,412 行（98%）
- 全国区县路网密度区域底数 · 3.2 万 行 · 连接字段 county_code_2、province_name、city_code_2按城市对上本数据集 18,412 行（98%）
按 城市 + 省份 能连
159 个数据集 · 本数据集 18,412 行有城市- 地级市间月度人口迁徙区域底数 · 616.7 万 行 · 连接字段 origin_province、origin_city_code按城市对上本数据集 18,412 行（98%）
- 地级市分行业创新指数区域底数 · 574.7 万 行 · 连接字段 region_code、province按城市对上本数据集 18,412 行（98%）
- 地级市日度夜间灯光区域底数 · 172.6 万 行 · 连接字段 province、region_code按城市对上本数据集 18,412 行（98%）
- 地级市社会经济指标区域底数 · 93.2 万 行 · 连接字段 region_code、province按城市对上本数据集 18,412 行（98%）
- 地级市市辖区社会经济指标区域底数 · 86.6 万 行 · 连接字段 province、region_code按城市对上本数据集 18,412 行（98%）
- 地级市间年度人口迁徙区域底数 · 65.2 万 行 · 连接字段 origin_province、origin_city_code按城市对上本数据集 18,412 行（98%）
- 全国城市每日人口迁徙区域底数 · 65.1 万 行 · 连接字段 region_code、province按城市对上本数据集 18,412 行（98%）
- 地级市逐月降水量自然灾害 · 55.4 万 行 · 连接字段 region_code、province按城市对上本数据集 18,412 行（98%）
- 地级市逐月风速自然灾害 · 37.8 万 行 · 连接字段 region_code、province按城市对上本数据集 18,412 行（98%）
- 中国新冠病例统计人口健康 · 12.5 万 行 · 连接字段 province_code、city_code按城市对上本数据集 18,412 行（98%）
- 地级市逐月闪电自然灾害 · 4.5 万 行 · 连接字段 region_code、province按城市对上本数据集 18,412 行（98%）
- 全国城投债明细企业主体 · 3.1 万 行 · 连接字段 province、city_code按城市对上本数据集 18,412 行（98%）
按 区县 + 省份 能连
69 个数据集 · 本数据集 18,682 行有区县- 中国手机基站地理信息建筑设施 · 186.8 万 行 · 连接字段 county_code、province按区县对上本数据集 18,682 行（99%）
- 全国区县平均房价区域底数 · 2,852 行 · 连接字段 region_code、province按区县对上本数据集 18,682 行（99%）
- 县级暴雨重现期自然灾害 · 2,899 行 · 连接字段 region_code、province按区县对上本数据集 18,566 行（99%）
- 全国兴趣点高德地图建筑设施 · 2200 万 行 · 连接字段 pname、adcode按区县对上本数据集 18,484 行（98%）
- 全国行政村淘宝村DID面板区域底数 · 1056.8 万 行 · 连接字段 province_code、county_code按区县对上本数据集 18,406 行（98%）
- 金融机构许可证企业主体 · 59 万 行 · 连接字段 region_code、province按区县对上本数据集 18,406 行（98%）
- 区县城乡融合试点面板区域底数 · 7.4 万 行 · 连接字段 province、region_code按区县对上本数据集 18,406 行（98%）
- 县级年度夜间灯光区域底数 · 2.3 万 行 · 连接字段 province、region_code按区县对上本数据集 18,406 行（98%）
- 县级土地利用构成区域底数 · 2.3 万 行 · 连接字段 region_code、province按区县对上本数据集 18,406 行（98%）
- 区县人口分布（格网汇总）区域底数 · 1.4 万 行 · 连接字段 region_code、province按区县对上本数据集 18,406 行（98%）
- 区县农业区划归属区域底数 · 2,877 行 · 连接字段 region_code、province按区县对上本数据集 18,406 行（98%）
- 上市公司代理成本指标企业主体 · 5.8 万 行 · 连接字段 county_code、province按区县对上本数据集 18,277 行（97%）
按 城市 + 区县 能连
9 个数据集 · 本数据集 18,412 行有城市- 全国行政区划代码参照区域底数 · 4,299 行 · 连接字段 parent_code、region_code按城市对上本数据集 18,412 行（98%）
- 全国专利许可记录企业主体 · 19.2 万 行 · 连接字段 applicant_address_city_code、applicant_address_county_code按城市对上本数据集 18,412 行（98%）
- 全国上市公司专利全量企业主体 · 6.4 万 行 · 连接字段 address_city_code、address_county_code按城市对上本数据集 18,412 行（98%）
- 全国养老机构点位医疗药械 · 5.8 万 行 · 连接字段 county_code、address_city_code按城市对上本数据集 18,412 行（98%）
- 地级市土地出让金区域底数 · 1.2 万 行 · 连接字段 region_code_adj、city_code按城市对上本数据集 18,412 行（98%）
- 上市公司产学研合作专利企业主体 · 1.4 万 行 · 连接字段 city_code、county_code按城市对上本数据集 17,890 行（95%）
- 全国区县房价区域底数 · 1.2 万 行 · 连接字段 county_code、city_code按城市对上本数据集 17,294 行（92%）
- 保险公司分支机构名录保险市场 · 2,452 行 · 连接字段 address_county_code、address_city_code按城市对上本数据集 17,156 行（91%）
- 长三角养老机构名录建筑设施 · 8,462 行 · 连接字段 address_city_code、county_code按城市对上本数据集 5,587 行（29%）
按 省份 能连
337 个数据集 · 本数据集 18,215 行有省份- 并购重组交易涉及方明细企业主体 · 32.8 万 行 · 连接字段 province按省份对上本数据集 18,215 行（97%）
- 省级环境关注度日度指数区域底数 · 27.5 万 行 · 连接字段 region_code按省份对上本数据集 18,215 行（97%）
- 省级日度夜间灯光区域底数 · 15.6 万 行 · 连接字段 province按省份对上本数据集 18,215 行（97%）
- 省级逐月降水量自然灾害 · 5 万 行 · 连接字段 province按省份对上本数据集 18,215 行（97%）
- 省级逐月风速自然灾害 · 3.5 万 行 · 连接字段 province按省份对上本数据集 18,215 行（97%）
- 省级逐月闪电自然灾害 · 4,080 行 · 连接字段 province按省份对上本数据集 18,215 行（97%）
- 省级矫正夜间灯光区域底数 · 1,054 行 · 连接字段 province按省份对上本数据集 18,215 行（97%）
- 城市环境治理关注指数区域底数 · 816 行 · 连接字段 city按省份对上本数据集 18,215 行（97%）
- 省级环境关注度年度均值区域底数 · 816 行 · 连接字段 region_code按省份对上本数据集 18,215 行（97%）
- 上市公司行业地域信息企业主体 · 7 万 行 · 连接字段 province按省份对上本数据集 18,175 行（97%）
- 上市公司气候风险指数企业主体 · 6.7 万 行 · 连接字段 province按省份对上本数据集 18,175 行（97%）
- 上市公司年报AI词频企业主体 · 6.2 万 行 · 连接字段 province按省份对上本数据集 18,175 行（97%）
按 城市 能连
67 个数据集 · 本数据集 18,412 行有城市- 地级市经济社会统计区域底数 · 120.5 万 行 · 连接字段 region_code按城市对上本数据集 18,412 行（98%）
- 城市间高铁连接状态交通运输 · 116.6 万 行 · 连接字段 city1_code按城市对上本数据集 18,412 行（98%）
- 地区新冠疫情每日统计人口健康 · 38.4 万 行 · 连接字段 region_code按城市对上本数据集 18,412 行（98%）
- 省市疫情日度统计人口健康 · 33 万 行 · 连接字段 region_code按城市对上本数据集 18,412 行（98%）
- 城市主要经济指标区域底数 · 13.4 万 行 · 连接字段 city_code按城市对上本数据集 18,412 行（98%）
- 地级市经济地理嵌套矩阵区域底数 · 8.1 万 行 · 连接字段 source_city_code按城市对上本数据集 18,412 行（98%）
- 地级市经济地理权重矩阵区域底数 · 8.1 万 行 · 连接字段 source_city_code按城市对上本数据集 18,412 行（98%）
- 地级市间交通通勤时间交通运输 · 7.3 万 行 · 连接字段 destination_city_code按城市对上本数据集 18,412 行（98%）
- 地级市新能源汽车月度销量交通运输 · 3.3 万 行 · 连接字段 city_code按城市对上本数据集 18,412 行（98%）
- 地级市数字产业集聚水平区域底数 · 1 万 行 · 连接字段 city_code按城市对上本数据集 18,412 行（98%）
- 地级市人力资本水平区域底数 · 9,408 行 · 连接字段 region_code按城市对上本数据集 18,412 行（98%）
- 地级市感动人物DID区域底数 · 8,762 行 · 连接字段 city_code按城市对上本数据集 18,412 行（98%）
按 区县 能连
19 个数据集 · 本数据集 18,682 行有区县- 行政区划新旧代码对照参照区域底数 · 7,388 行 · 连接字段 old_code按区县对上本数据集 18,682 行（99%）
- 医保定点零售药店医疗药械 · 50.5 万 行 · 连接字段 region_code按区县对上本数据集 18,304 行（97%）
- 医保定点医疗机构医疗药械 · 57.8 万 行 · 连接字段 region_code按区县对上本数据集 18,268 行（97%）
- 政治精英地区编码区域底数 · 3,843 行 · 连接字段 region_code按区县对上本数据集 18,224 行（97%）
- 县级地形起伏度自然灾害 · 2,873 行 · 连接字段 region_code按区县对上本数据集 17,979 行（96%）
- 全国格点逐年极端降水自然灾害 · 602.3 万 行 · 连接字段 county_code按区县对上本数据集 16,502 行（88%）
- 全国医保经办机构保险市场 · 6,045 行 · 连接字段 region_code按区县对上本数据集 15,403 行（82%）
- 城投公司基本信息企业主体 · 1.2 万 行 · 连接字段 region_code按区县对上本数据集 14,846 行（79%）
- 全国矿产地分布建筑设施 · 22.8 万 行 · 连接字段 county_code按区县对上本数据集 14,306 行（76%）
- 全国百强区县入选状态区域底数 · 4.1 万 行 · 连接字段 region_code按区县对上本数据集 12,253 行（65%）
- 行政区划代码变更区域底数 · 4,636 行 · 连接字段 old_code按区县对上本数据集 11,824 行（63%）
- 医院可达性验证交通运输 · 20.9 万 行 · 连接字段 dest_county_code按区县对上本数据集 10,571 行（56%）
05字段规律
字段之间的规律
比如一一对应、谁先谁后。只帮你读懂数据，不用来连接。
本数据集内2
- 扩增得出
city_code由省份、城市扩增得出。
来自字段扩增全国地铁站点全国地铁站点 - 扩增得出
county_code由经度、纬度扩增得出。
来自字段扩增全国地铁站点全国地铁站点
06授权与接入
申请授权，一次调用就能用上
试用立即生效，并送 500 点试用点数。授权后用 API Key 调用 REST 接口，按返回的行数扣点。
REST 调用示例
# 先把 API Key 放进环境变量：export WI_API_KEY=你的 API Keycurl -X POST 'https://wi.insightworld.cn/api/v1/datasets/metro-station-info/query' \ -H "Authorization: Bearer $WI_API_KEY" \ -H 'Content-Type: application/json' \ -d '{"filters":[{"field":"station_name","op":"eq","value":"富锦路"}],"limit":10}'
交给 Agent
- 以后开放
MCP
仍在使用 MCP 的 Agent 客户端，用 OAuth 连接后通过工具查询。