与 Pandas 组合 GPS 点答案

【问题标题】：Group GPS points with Pandas与 Pandas 组合 GPS 点
【发布时间】：2019-04-26 07:42:18
【问题描述】：

我有一个 Pandas 塔数据框，例如：

site       lat      lon
18ALOP01   11.1278  14.3578
18ALOP02   11.1278  14.3578
18ALOP12   11.1288  14.3575
18PENO01   11.1580  14.2898

如果它们太近（50m），我需要将它们分组。然后，我制作了一个执行“自交叉连接”的脚本，计算所有站点组合之间的距离，并为距离小于阈值的站点设置相同的 id。因此，如果我有 n 个站点，它将计算 (n^2) - n 组合，那么，这是一个糟糕的算法。有更好的方法吗？

【问题讨论】：

您的预期输出是什么样的？
如果点a 距离b 40m，距离c 80m，并且点b 距离c 45m，会发生什么？他们都在同一个组吗？
是的，没问题。

标签： python pandas geo geopandas

【解决方案1】：

假设站点的数量和“真实”位置未知，您可以尝试MeanShift 聚类算法。虽然这是一种通用算法并且不具有高度可扩展性，但它比在 python 中实现您自己的聚类算法更快，并且您可以尝试使用bin_seeding=True 作为优化，如果将数据点合并到网格中是可接受的捷径修剪起始种子。（注意：如果将数据点合并到网格中，而不是计算点之间的欧几里得距离，是一种可接受的“完整”解决方案，那么这似乎是解决问题的最快方法。）

这是 scikit-learn 实现 MeanShift 的示例，其中 x/y 坐标以米为单位，算法创建半径为 50m 的集群。

In [2]: from sklearn.cluster import MeanShift

In [3]: import numpy as np

In [4]: X = np.array([
   ...:     [0, 1], [51, 1], [100, 1], [151, 1],
   ...: ])

In [5]: clustering = MeanShift(bandwidth=50).fit(X)  # OR speed up with bin_seeding=True

In [6]: print(clustering.labels_)
[1 0 0 2]

In [7]: print(clustering.cluster_centers_)
[[ 75.5   1. ]
 [  0.    1. ]
 [151.    1. ]]

【讨论】：