我一直在处理坐标数据。 (经纬度)
背景
Act Df =
Index Latitude Longitude
0 66.36031097267725 23.714807357485936
1 66.36030099322495 23.71479548193769
2
.
.
Flt Df =
Index Latitude Longitude
0 66.34622070356742 23.687960586306179
1 66.34620931053996 23.687951092116624
2
.
.
len(Actual) = 12053
len(Fleet) = 8000
以上数据表明,Fleet数据坐标点在Actual Data Lat & Long Graph中占据的面积较小。
注意:
Fleet Lat & Long 值可能不一定等于实际 Lat & Long 值,但它在 Actual Lat/Long 图形点中拥有较短的区域
要求
我想根据 Fleet Lat/Long Data 中的值修剪 Actual Lat/Long 数据的部分。
我的要求是当我在 Open Street map 或 matplotlib 中绘制时,实际纬度/经度数据和舰队纬度/经度数据必须遵循相同的路径。(位置可能不一定相同)
我尝试了什么:
我使用了像这样的算术运算
actual_data[(actual_data['Latitude'] <= fleet_data_Lat_start_point) & (actual_data['Longitude'] <= fleet_data_Long_start_point) & (actual_data['Latitude'] <= fleet_data_Lat_end_point) & (actual_data['Longitude'] <= fleet_data_Long_end_point)]
请您参考如下方法:
这是我的解决方案:我使用库 geopy 来计算距离。
您可以选择在 geodesic() 或 great_circle() 中计算距离,函数 distance = geodesic。
如果您喜欢其他指标,您可以将公制 .km 更改为 .miles 或 m 或 ft
from geopy.distance import lonlat, distance, great_circle,geodesic
dmin=[]
for index, r in df_actual.iterrows():
valmin = df_fleet.apply(lambda x:
distance(lonlat(x['Longitude'], x['Latitude']),
lonlat(r['Longitude'], r['Latitude'])).km,axis=1).min()
dmin.append(valmin)
df_actual['nearest to fleet(km)'] = dmin
print(df_actual)
如果你想要所有舰队点 <每个实际点的100m,你做< p> 每个实际点的100m,你做<>
for ai, a in df_actual.iterrows():
actual = lonlat(a['Longitude'], a['Latitude'])
filter = df_fleet.apply(lambda x:
distance(lonlat(x['Longitude'], x['Latitude']), actual).meters < 100 ,axis=1)
print(f"for {(a['Longitude'], a['Latitude'])}"); print(df_fleet[filter])
最后一个解决方案是基于树计算的,我认为它非常非常非常快 我正在使用 scipy spatial,它计算空间中最近的点并以欧几里得距离给出结果。我刚刚调整了 x、y、z 空间点中的 lat、lon 以获得正确的结果(在测地线或 haversine 中)。在这里,我生成了 2 个数据帧(纬度,经度)15000 行和 10000 行,我正在搜索 df2 中每个 df1 最近的五个数据帧
from random import uniform
from math import radians, sin, cos
from scipy.spatial import cKDTree
import pandas as pd
import numpy as np
def to_cartesian(lat, lon):
lat = radians(lat); lon = radians(lon)
R = 6371
x = R * cos(lat) * cos(lon)
y = R * cos(lat) * sin(lon)
z = R * sin(lat)
return x, y , z
def newpoint():
return uniform(23, 24), uniform(66, 67)
def ckdnearest(gdA, gdB, bcol):
nA = np.array(list(zip(gdA.x, gdA.y, gdA.z)) )
nB = np.array(list(zip(gdB.x, gdB.y, gdB.z)) )
btree = cKDTree(nB)
dist, idx = btree.query(nA,k=5) #search the first 5 (k=5) nearest point df2 for each point of df1
dist = [d for d in dist]
idx = [s for s in idx]
df = pd.DataFrame.from_dict({'distance': dist,
'index of df2' : idx})
return df
#create the first df (actual)
n = 15000
lon,lat = [],[]
for x,y in (newpoint() for x in range(n)):
lon += [x];lat +=[y]
df1 = pd.DataFrame({'lat': lat, 'lon': lon})
df1['x'], df1['y'], df1['z'] = zip(*map(to_cartesian, df1.lat, df1.lon))
#-----------------------
#create the second df (fleet)
n = 10000
lon,lat = [],[]
for x,y in (newpoint() for x in range(n)):
lon += [x];lat +=[y]
id = [x for x in range(n)]
df2 = pd.DataFrame({'lat': lat, 'lon': lon})
df2['x'], df2['y'], df2['z'] = zip(*map(to_cartesian, df2.lat, df2.lon))
#-----------------------
df = ckdnearest(df1, df2, 'unused')
print(df)
如果你只想要 1 个最近的点而不需要笛卡尔坐标:
def ckdnearest(gdA, gdB, bcol):
nA = np.array(list(zip(gdA.lat, gdA.lon)))
nB = np.array(list(zip(gdB.lat, gdB.lon)))
btree = cKDTree(nB)
dist, idx = btree.query(nA,k=1) #search the first nearest point df2
df = pd.DataFrame.from_dict({'distance': dist, 'index of df2' : idx})
return df
