深度解析塑造未来的技术文章。

ZIP码边界:ZCTA与USPS,各自何时更合适

USPS现在出售官方ZIP码边界数据,但ZIP码本来就不是多边形。对比ZCTA与USPS边界数据,看看它们在生产环境地理编码管道中各自何时胜出。

卡通风格地图上,蜿蜒的投递路线与错位的彩色区域叠加的插图
投递路线是线,边界是面。两者之间的错位,正是这件事的全部。

你的地理编码管道里藏着一个静默的bug:新建小区里的一个地址能正常编码,但它落在两个ZCTA多边形之间的缝隙里,返回的区域是空值。随后,你的配送成本模型会悄悄把它平均进错误的市场。这就是处理ZIP码边界时的日常,而这个概念直到最近还没有官方定义。USPS现在通过PostalPro门户网站出售官方ZIP码边界多边形数据,数据工程圈对此既兴奋又被价格吓到。下面讲讲到底变了什么,以及该如何判断哪种边界数据适合你的管道。

我做美国地址数据的匹配与增强管道已经好几年了,我的看法很明确:大多数团队把ZIP码当地理数据用,是因为人口普查局让这件事变得很方便,而不是因为它本身正确。USPS的新产品并不会让每个人都改变这个判断,但它确实终结了我们争论了几十年的一个问题。

ZIP码从来都不是多边形(现在也不是)

打破所有人直觉的根本事实是:ZIP码是投递路线的一个属性,而不是一块土地的区域。USPS在1963年创建ZIP码,是为了让正确的邮件装上正确的邮车。一个ZIP码是若干配送路线的集合,锚定在一个投递单元上,可能是一个邮局、一个分拣中心,有时只是一栋楼。政府机构、大学这类大型收件方会拥有专属ZIP码,只覆盖一个地址。仅限邮政信箱的ZIP码覆盖的是建筑物里的一面信箱墙,占地面积为零。

这会带来一些多边形思维无法消化的后果。设想一个开发商在两个城镇之间的空地上建了新社区。如果ZIP码是多边形,你只需查询这块地落在哪个多边形里,那就是它的ZIP码。现实是,USPS会把它分配给最符合物流逻辑的那条路线,可能属于其中一个城镇,也可能是从两者中切出来的一个全新ZIP码。边界在路线出现之前并不存在。这也是为什么USPS自己的文档会说,其新边界产品存在时间波动:边界会随着投递分布变化而移动。翻译成大白话,就是“路线随时在变”。

  • 仅限邮政信箱及单位专用ZIP码没有任何有意义的面积,它们代表的是建筑,而不是土地。
  • 非连续服务区出现在同一个投递单元服务多个互不相连的地址区块时。
  • 农村空白区是USPS根本不投递的地方;这些地址的分配非常不一致,在不同数据库里可能被分配到多个候选ZIP码。
  • 持续变动:新建房屋、路线合并和邮局关闭,每个季度都在重塑底层路线。
  • ZIP+4可以精确到街区一侧,但几乎没人收集或存储它,所以实践中很少能帮上忙。

对比一下英国:完整的邮政编码大约只对应十个地址,它从一开始就是为了锁定一小组投递点而设计的,并且被普遍采集和使用。美国五位数的ZIP码则是为分拣而设计的,因为它是全国每个地址上唯一印着的地理标识,我们却花了五十年把它挪作地理用途。

ZCTA与USPS边界:两套数据究竟是什么

ZCTA:披着ZIP码外衣的统计数据

ZIP码制表区(ZCTA)是人口普查局对多边形问题的回答。每十年一次的人口普查中,普查局会查看每一个普查街区,找出该街区内地址最常对应的ZIP码,再把街区按主导ZIP码归并成一个个ZCTA。结果是一份免费下载的shapefile,它无缝覆盖全国,没有空白,也没有重叠。

这种设计有两个在生产环境中极其重要的特性。第一,ZCTA是统计区域,目的是一致地汇总人口普查数据,普查局在ZIP码层级发布的每一张人口统计表,实际上都是ZCTA层级的。第二,它是有损的:“最常见ZIP码胜出”的规则意味着,街区内少数地址会被分配到一个与其信件上所写ZIP码不符的ZCTA。在人口密集的城区,这只是舍入误差;但在农村地区,街区巨大、路线稀疏,ZCTA可能与任何一个地址实际收信的位置相差好几公里。

USPS新多边形:真实数据,但要付费

USPS的产品是从另一个方向构建的:它基于实际的投递地址和位置数据,也就是驱动邮车运转的那套信息。因此,对于“USPS认为这个ZIP码覆盖的范围是哪里”这个问题,它是最接近真值的数据。它每季度更新一次,跟踪ZCTA总是滞后的路线变动。USPS将其分为三个层级出售:内部使用(Internal)、企业使用(Enterprise,可有限分发给子公司和合作伙伴)以及出版使用(Publication,允许有限地发布衍生地图)。

社区反应最强烈的,是价格。据报道,最低层级的价格大约从一万美元起步。大家的愤怒可以理解:FCC覆盖地图、联邦土地边界和人口普查地理数据都是免费的,如今对邮政地理数据收取五位数的费用,感觉像是倒退。结构性原因在于,USPS是一个自负盈亏的机构,主要靠邮费收入而非国会拨款运营,因此它把数据产品当作真正的产品来经营。这样做是否是好政策,值得公平讨论;但你是否应该围绕授权现实来搭建管道,答案则是否定的。

两层半透明的地图图层,边界互相错开,图钉落在错位的区域内
ZCTA与USPS边界在大多数地方是一致的。生产环境的bug藏在它们不一致的接缝处。

为模糊边界设计地理编码管道

这是我在重构这条管道不止一次之后总结出的模式:把ZIP码分配当作一个两阶段的连接操作,并显式设定一个歧义预算,而不是单纯做一次点在多边形内的查询。第一阶段是严格的包含判断;第二阶段是一个有上限的最近邻回退,并且会自我记录日志,这样你就能衡量数据与地理现实的偏差有多频繁。这与我们geohash与空间索引对比一文中的空间索引技巧正好相辅相成:回退阶段正是那种用合适的R树就能变得廉价的工作负载。

import geopandas as gpd
# ZCTA boundaries from the Census TIGER/Line shapefiles (free)
zcta = gpd.read_file("tl_2024_us_zcta520.shp")
# Project to a meter-based CRS so distances are meaningful
zcta = zcta.to_crs("EPSG:5070")[["ZCTA5CE20", "geometry"]]
points = gpd.GeoDataFrame(
addresses,
geometry=gpd.points_from_xy(addresses.lon, addresses.lat),
crs="EPSG:4326",
).to_crs("EPSG:5070")
# Pass 1: strict point-in-polygon
matched = gpd.sjoin(points, zcta, how="left", predicate="within")
# Pass 2: unmatched points get the nearest ZCTA, capped at 5 km,
# flagged so downstream consumers know this was an inference
unmatched = matched[matched["ZCTA5CE20"].isna()]
if len(unmatched):
nearest = gpd.sjoin_nearest(
unmatched.drop(columns=["ZCTA5CE20", "index_right"]),
zcta,
how="left",
max_distance=5_000,  # meters, because we projected first
distance_col="fallback_dist_m",
)
matched.loc[nearest.index, "ZCTA5CE20"] = nearest["ZCTA5CE20"]
matched.loc[nearest.index, "zip_inferred"] = True
matched["zip_inferred"] = matched["zip_inferred"].fillna(False)

这段代码里有三个细节,能帮你避开真实生产环境中的痛苦。在调用sjoin_nearest之前,先投影到以米为单位的坐标参考系统。用度数传递max_distance是个经典bug,它会在不同纬度上悄无声息地代表不同的距离。给回退距离设上限:距离最近ZCTA边缘40公里的地址并不“属于”该ZCTA,它处于数据空洞中,你需要的是带标记的空值,而不是自信满满的谎言。最后,把zip_inferred标记持久化到你的数据仓库里。当业务方问为什么第三季度蒙大拿州的配送预估出现偏差时,这个标记就是十分钟能给出答案,还是要花两周去考古的区别。

运维规范比连接逻辑更重要。在管道配置中固定边界图层的版本,并把它作为一列记录到每条输出数据中。当你切换ZCTA年份或引入USPS图层时,你必须知道每条历史记录是由哪个边界版本生成的。将重新导入的计划与数据源的更新频率对齐(ZCTA大约每年一次,USPS每季度一次),并添加一个验证步骤,对比不同版本之间的行数和总面积差异;边界文件带来的数据质量意外,出现的频率往往比你希望的要高。如果你喜欢这类大规模空间数据工程,我们那篇把整个国家变成体素的文章,在更大的尺度上讲述了同样的经验。

带标记的空值胜过自信的谎言。你数据库里最糟糕的ZIP码,是那个看起来正确、实际上并不正确的。

各类ZIP码边界数据源的适用场景

只要按照各类用例实际在问的问题来区分,答案就一目了然。“这个地址的邮件是从哪个ZIP码投递的?”和“这个点属于哪个统计区域?”听起来一样,实际上完全不同。

  • ZCTA适合分析与人口统计关联。如果你要用人口普查数据增强记录,比如家庭收入中位数、人口密度、住房统计,ZCTA不只是免费选项,而是正确的选项,因为你要关联的普查表格本身就是按ZCTA层级发布的。
  • ZCTA适合可视化。分级统计图、市场地图和仪表盘需要覆盖全国、没有空白的边界层。对业务方来说,一个在无人收信的地方有空洞的边界层看起来会像是坏了,即使它本身是准确的。
  • USPS多边形适合物流与运输。承运商定价分区、最后一公里路线规划、服务区域资格判断,凡是业务问题本质上就是“USPS会如何处理这个地址?”的场景,都应该使用基于实际投递记录构建的数据。
  • 当新建房屋很重要时,USPS多边形更胜一筹。季度更新能跟上让ZCTA陈旧多年的路线变动。如果你的客户在快速增长的郊区开发业务,仅凭这一点就可能值得购买授权。
  • 当你拥有坐标时,两者都不是最佳选择。如果你的用例是“这个点附近有什么”,那就完全跳过ZIP码,直接用经纬度做真正的地理空间查询。基于ZIP码的邻近分析是一种漏洞百出的抽象。

还有第三类值得一提:商业边界供应商多年来一直在销售经过整理的ZIP码多边形,通常还会捆绑时间序列历史数据以及与其他地理单元的对照表(crosswalk)。USPS的产品削弱了这些供应商关于“真值”的说法,但不一定削弱它们在便利性上的优势。如果你已经采购了其中一家的数据,关键问题是USPS的投递记录溯源是否值得你花力气迁移;对大多数分析类工作负载来说,答案是否定的。

昏暗的邮政分拣中心里,包裹在传送带上移动,头顶有淡淡发光的网格
ZIP码的存在,就是为了让包裹穿过像这样的建筑。地理只是它的副产品。

授权问题是死胡同,应当绕开它来设计

不少聪明人问过,能否通过《信息自由法》(FOIA)申请公开这些数据,或者能否通过众筹买一份授权然后公开多边形。我赌这两条路都行不通。授权等级的存在,正是为了控制再分发,而“一次购买、免费公开”的方案会直接与出版级授权的全部用途相冲突。即使它行得通,你得到的也只是一份快照,而这份数据的价值恰恰在于季度级的时效性;随着路线变化,一份静态快照很快就会从资产变成负债。

务实的做法是让边界层可以替换。保持连接逻辑、回退行为和版本元数据不变,把多边形数据源当作配置项来处理。这样,从ZCTA升级到USPS就变成了你可以按产品线做出的预算决策,而不是一个迁移项目。我见过一些团队把ZCTA假设硬编码得太深,表名、连接键、仪表盘筛选器无一幸免,以至于切换数据源的成本,超过了他们本想避开的那笔授权费用。

我的建议:默认用ZCTA,在值得的地方购买USPS

这是我今天会交给任何团队的决策规则。默认使用ZCTA:它们免费、覆盖全国、与你未来可能关联的每一张普查表格都能对上,而且在分析场景中它们是标准选择,而不是妥协。再在此基础上叠加两阶段连接,并使用一个有距离上限、会自我记录日志的回退机制,让接缝变得可见,而不是悄无声息。

只有当业务问题本身与邮件投递相关时,比如运费建模、承运商路线规划、服务区域资格判断,才值得购买USPS多边形,并且要先量化其价值。衡量一下你的地址中有多大比例落在ZCTA与USPS存在分歧的区域内(以我的经验,全国范围内通常只有个位数百分比,但集中在快速增长和农村地区,而这些地方的错误代价最高)。如果这一小部分地址驱动了可观的收入或风险,那么授权费用就物有所值;如果不是,你买的就是产品根本感受不到的精度。

无论你选择哪一种,都请停止把ZIP码当作地理数据。它们是披着多边形外衣的投递路线,而新的官方边界并没有改变这一点,它们只是让这件外衣剪裁得更合身了。搭建能容忍接缝的管道,记录下地图与邮件不一致的地方,你就会领先业内大多数人,因为大多数人仍在做单纯的点在多边形内查询,然后纳闷那些空值是从哪里来的。