用于根据纬度、经度计算重叠区域的Python包[重复]

Question

我有一个包含venue_id（大约1,500 个）、物理地址、纬度和经度的数据集。

• 我想创建一个名为“overlap”的列，它会计算重叠的venue_id 的数量（如果有）。

• 例如，对于venue_id == 1，如果在2km 半径内有任何其他venue_ids 在2km 半径范围内重叠，则将其计数并保存在“重叠”列中。如果有 2 个场所 ID 与场所 ID == 1 重叠，则“重叠”将等于 2。

到目前为止，我首先尝试使用“folium”对其进行可视化

import pandas as pd
import folium

m = folium.Map(location=[37.553975551114476, 126.97545224493899],
               zoom_start=10)

locations = df['lat'], df['lng']

df = df.dropna(how='any')
print(df.isna().sum())


for _, row in df.iterrows():
    folium.Circle(location=[row['lat'], row['lng']],
                        radius=2000).add_to(m)

m.save("index.html")

问题是，如果我理解正确，folium 的 Circle 会在“像素”中绘制一个圆圈，并且它固定为我选择创建基本地图的基本“缩放级别”。

• 我最好的猜测是使用“haversine”包，但如果有更好的方法来完成这项工作，你们中的任何人都可以提供一些建议吗？

附言只要正确计算了 2 公里半径测量值，就不需要实际可视化结果，我只尝试通过 folium 可视化它，看看我是否可以“手动”计算重叠的圆圈......

提前致谢。

Answer 1

听起来这里的目标只是确定有多少点位于数据集中任何其他点的 2 公里范围内。在这种情况下，Haversine 距离是要走的路。由于您只对短距离感兴趣并且您的点数相对较少，因此this answer 提供了中心功能。然后只需将其应用于您的数据即可。这是一种方法：

import pandas as pd
import numpy as np

# function from https://stackoverflow.com/a/29546836/4325492
def haversine_np(lon1, lat1, lon2, lat2):
    """
    Calculate the great circle distance between two points
    on the earth (specified in decimal degrees)

    All args must be of equal length.    

    """
    lon1, lat1, lon2, lat2 = map(np.radians, [lon1, lat1, lon2, lat2])

    dlon = lon2 - lon1
    dlat = lat2 - lat1

    a = np.sin(dlat/2.0)**2 + np.cos(lat1) * np.cos(lat2) * np.sin(dlon/2.0)**2

    c = 2 * np.arcsin(np.sqrt(a))
    km = 6367 * c
    return km

# generate some sample data
lng1, lat1 = np.random.randn(2, 1000)
df = pd.DataFrame(data={'lng':lng1, 'lat':lat1})

# Apply to the data
df['overlap'] = df.apply(lambda x: sum(haversine_np(x[0], x[1], df.lng, df.lat) <= 2) - 1, axis=1)

应用函数时，只计算另一个点距离