每个客户的连续行之间的Haversine距离答案

【问题标题】：Haversine Distance between consecutive rows for each Customer每个客户的连续行之间的Haversine距离
【发布时间】：2019-08-20 16:48:11
【问题描述】：

我的问题基于Fast Haversine Approximation (Python/Pandas)

基本上，该问题询问如何计算半正弦距离。我的是如何计算每个客户的连续行之间的 Haversine 距离。

我的数据集看起来像这个虚拟数据集（假设这些是真实坐标）：

  Customer  Lat Lon
    A        1  2
    A        1  2
    B        3  2
    B        4  2

所以在这里，我在第一行什么都没有，第二行是 0，第三行什么也没有，因为一个新客户开始了，无论公里的距离在 (3,2) 和 (4,2) 之间在第四个。

这可以不受客户的限制：

def haversine(lat1, lon1, lat2, lon2, to_radians=True):
    if to_radians:
        lat1, lon1, lat2, lon2 = np.radians([lat1, lon1, lat2, lon2])

    a = np.sin((lat2-lat1)/2.0)**2 + \
        np.cos(lat1) * np.cos(lat2) * np.sin((lon2-lon1)/2.0)**2

    return 6367 * 2 * np.arcsin(np.sqrt(a))

df=data_full
df['dist'] = \
    haversine(df.Lon.shift(), df.Lat.shift(),
             df.loc[1:, 'Lon'], df.loc[1:, 'Lat'])

但我无法调整它以与每个新客户重新开始。我试过这个：

 def haversine(lat1, lon1, lat2, lon2, to_radians=True):
    if to_radians:
        lat1, lon1, lat2, lon2 = np.radians([lat1, lon1, lat2, lon2])

    a = np.sin((lat2-lat1)/2.0)**2 + \
        np.cos(lat1) * np.cos(lat2) * np.sin((lon2-lon1)/2.0)**2

    return 6367 * 2 * np.arcsin(np.sqrt(a))

df=data_full
df['dist'] = \
    df.groupby('Customer_id')['Lat','Lon'].apply(lambda df: haversine(df.Lon.shift(), df.Lat.shift(),
             df.loc[1:, 'Lon'], df.loc[1:, 'Lat']))

【问题讨论】：

你遇到了什么问题？

标签： python-3.x pandas haversine

【解决方案1】：

我将重用来自derricw's answer 的矢量化haversine_np 函数：

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

def distance(x):
    y = x.shift()
    return haversine_np(x['Lat'], x['Lon'], y['Lat'], y['Lon']).fillna(0)

df['Distance'] = df.groupby('Customer').apply(distance).reset_index(level=0, drop=True)

结果：

  Customer  Lat  Lon    Distance
0        A    1    2    0.000000
1        A    1    2    0.000000
2        B    3    2    0.000000
3        B    4    2  111.057417

【讨论】：