第二步：数据清洗与地理编码。

原始数据杂乱且存在噪声（如模糊的位置描述、重复或虚假订单、测试数据）。古民进行处理：

1.位置标准化：将“南三宿舍”、“二食堂”等文本描述，通过校园地图api（或手动建立的映射表）转换为经纬度坐标或地图上的精确区块。对于更模糊的描述（如“校内”），则根据任务类型和发布时间，结合物理观察，将其分配到最可能的区域（如午餐时段“代买”订单可能集中在商业街或食堂附近）。

2.任务分类与加权：将订单按类型分类（快递、外卖、文件、购物、其他），并为不同类型的订单赋予不同的“热度权重”。例如，一个“取大件快递”的订单，因其耗时耗力，其“热力”值可能相当于两个“送文件”订单。一个高悬赏的紧急订单，其“热力”值也相应提高。

3.时间切片：数据按小时、按工作日周末进行切片分析。识别出一天中的明显高峰（如中午1130-1330的午餐外卖和快递高峰，傍晚1630-1830的晚餐及快递次高峰，晚上2000-2200的夜宵及急件小高峰）。

第三步：热力图生成与模式识别。

_c