对于第二个数据帧中的每个观测，从一个熊猫数据帧中查找最接近的(lat/lon)观测

Question

问题摘要：

我有两个数据帧。第一个数据帧(df1(相对较小(几乎总是少于100个观测值，通常少于50个(，具有一组点标识符及其lat/lon坐标。第二个数据帧(df2(非常大(数十万次观测(，也有lat/lon坐标。我希望在df2中创建两个新列：第一个列具有离df1最近的点的标识符，第二个列具有到该点的距离。我目前的方法相当笨拙，我认为可以进行显著的优化。对于其他上下文，有一个单独的df1(小数据帧(，但我将对多个df2(大数据帧(重复此过程。

设置/样本数据：

# imports:
import pandas as pd
import geopy.distance
from faker import Faker
# creating sample data:
Faker.seed(0)
fake=Faker()
id1=[]
lat1=[]
lon1=[]
id2=[]
lat2=[]
lon2=[]
length1=10 # length of df1
length2=100 # length of df2
for x in range(length1):
a=fake.local_latlng()
id1.append(x)
lat1.append(float(a[0]))
lon1.append(float(a[1]))
for x in range(length2):
a=fake.local_latlng()
id2.append(x)
lat2.append(float(a[0]))
lon2.append(float(a[1]))
dict1={
'loc_id' : id1,
'lat' : lat1,
'lon' : lon1,
}
dict2={
'point_id' : id2,
'lat' : lat2,
'lon' : lon2,
}
df1=pd.DataFrame(dict1)
df2=pd.DataFrame(dict2)

当前解决方案：

# calculating distances:
for x in range(len(df1)):
loc_id=df1.iloc[x]['loc_id']
pt1=(df1.iloc[x]['lat'],df1.iloc[x]['lon'])
for y in range(len(df2)):
pt2=(df2.iloc[y]['lat'],df2.iloc[y]['lon'])
dist=geopy.distance.distance(pt1,pt2).miles
df2.loc[y,x]=dist
# determining minimum distance and label:
temp_cols=list(range(len(df1)))
df2['min_dist']=df2[temp_cols].min(axis=1)
df2['min_loc']=df2[temp_cols].idxmin(axis=1)
# removing extra columns:
df2=df2.drop(temp_cols,axis=1)
print(df2.head())

可能的解决方案：

这个代码显然很慢，因为我计算每对点的距离。从概念上讲，我认为这是可以改进的，但我在实现改进时遇到了困难。一些想法：

1. 矢量化操作。这个公认的答案似乎表明对向量的运算更快，但我不知道如何在向量上实现geopy.dance.dancee((函数(或者是否可能(
2. 通过比较来消除点；占主导地位"；可以这么说。例如，如果一个点在两个纬度/经度上都比另一个大，那么当与我必须检查的集合中的一个点相比时，我可能能够消除它。我想这会增加前端的工作/处理，但最终会通过减少我为每个点检查的点数来获得回报。不过，我并不清楚该算法
3. 我可能能够将点分为彼此相邻的组，从而获得更小的候选集来进行比较。在计算距离之前，也许可以算出哪个点是最近的。危险在于df1中的一些点可能也非常接近

其他详细信息：两个点具有相同距离的几率很小，如果出现这种情况，我很乐意随机选择任何最接近的点。

Answer 1

基于使用Balltree 的k近邻

接近

1. 为df1的lat/lon创建k近邻树。使用BallTree，因为它允许自定义距离功能，如geopy.dance.dedistance
2. 对于df2中的每个lat/lon，从1中找到它在树中最接近的点
3. 注意：如果我们使用Haversine这样的内置距离函数，Balltree会更快

代码

import pandas as pd
import numpy as np
from faker import Faker
from sklearn.neighbors import BallTree
from geopy import distance
import functools
import time
# Timing Decorator
def timer(func):
"""Print the runtime of the decorated function"""
@functools.wraps(func)
def wrapper_timer(*args, **kwargs):
start_time = time.perf_counter()    # 1
value = func(*args, **kwargs)
end_time = time.perf_counter()      # 2
run_time = end_time - start_time    # 3
print(f"Finished {func.__name__!r} in {run_time:.4f} secs")
return value
return wrapper_timer
def generate_data(length):
'''
Genearte data frame with random lat/lon data 
Data with same length is always identical since we use same initial seed
'''
Faker.seed(0)
fake = Faker()
id = list(range(length))
# First two fields of fake.local_latlng are lat & lon as string
# Generate vector of fake.local_latlng then unpack out lat/lon array
lat, lon = list(zip(*[fake.local_latlng() for _ in range(length)]))[:2]

# Convert strings to float
lat = [float(x) for x in lat]
lon = [float(x) for x in lon]

return pd.DataFrame({'point_id':id, 'lat':lat, 'lon':lon})
def generate_balltree(df):
'''
Generate Balltree using customize distance (i.e. Geodesic distance)
'''
return  BallTree(df[['lat', 'lon']].values, metric=lambda u, v: distance.distance(u, v).miles)
@timer
def find_matches(tree, df):
'''
Find closest matches in df to items in tree
'''
distances, indices = tree.query(df[['lat', 'lon']].values, k = 1)
df['min_dist'] = distances
df['min_loc'] = indices

return df
@timer
def find_min_op(df1, df2):
' OP solution (to compare timing) '
for x in range(len(df1)):
#loc_id=df1.iloc[x]['loc_id'] # not used
pt1=(df1.iloc[x]['lat'],df1.iloc[x]['lon'])
for y in range(len(df2)):
pt2=(df2.iloc[y]['lat'],df2.iloc[y]['lon'])
dist=distance.distance(pt1,pt2).miles
df2.loc[y,x]=dist
# determining minimum distance and label:
temp_cols=list(range(len(df1)))
df2['min_dist']=df2[temp_cols].min(axis=1)
df2['min_loc']=df2[temp_cols].idxmin(axis=1)
# removing extra columns:
df2 = df2.drop(columns = temp_cols)

return df2

测试

df1=100个元素，df2=1000个元素

l1, l2 = 100, 1000
df1 = generate_data(l1)
df2 = generate_data(l2)
tree = generate_balltree(df1)
find_matches(tree, df2)
df2 = generate_data(l2)  # Regenerate df2 for next test since find_matches modified it
find_min_op(df1, df2)

输出

Finished 'find_matches' in 32.1677 secs
Finished 'find_min_op' in 147.7042 secs

因此，这种方法在这次测试中快了5倍