Pandas 将函数应用于组，并过滤​​原始数据框

Question

我有一个包含对象及其坐标的 DataFrame：

      id        lat         lng
0   3816  18.384001  -66.114799
1   5922  20.766100 -156.434998
2   1527  21.291394 -157.843085
3   1419  21.291394 -157.843085
4   1651  21.291394 -157.843085

多个对象可以有相同的坐标。数据框很大（数百万条记录）。我有一个坐标为(target_lat, target_lng) 的目标点。我的目标是尽可能高效地在数据框中找到距离目标点 X 英里以内的对象。

我正在使用改编自 this question 的 haversine_np 函数。它接受参数(lat_series, lng_series, lat, lng) 并有效地计算lat_series, lng_series（两个系列）和(lat, lng)（两个数字）之间的所有距离。

现在我的问题是如何使用它来过滤距离并选择原始数据框中的对象。

这是我目前的解决方案：

grouper = df.groupby(['lat', 'lng'], sort=False).grouper
lat_series = grouper.result_index.get_level_values(0)  # lats of unique (lat, lng) pairs
lng_series = grouper.result_index.get_level_values(1)  # lngs of unique (lat, lng) pairs
df['location_index'] = grouper.group_info[0]  # assign index of group back to df
distances = haversine_np(lat_series, lng_series, target_lat, target_lng)
mask = distances <= 50  # let's say 50 miles; boolean mask of size = ngroups
loc_indexes = pd.Series(range(grouper.ngroups))[mask]  # select group indexes by mask
df[df.location_index.isin(loc_indexes)]  # select original records by group indexes

它似乎有效，虽然看起来不可靠，因为当我使用pd.Series(range(grouper.ngroups))[mask] 选择相关组索引时，我假设分组的级别值自然索引（从 0 到 ngroups-1）。换句话说，我依赖于grouper.result_index.get_level_values() 中的i-th 元素对应于grouper.group_info[0] 中带有标签i 的组这一事实。我找不到更明确的方法来获取该映射。

问题：

1. 我使用的方法可靠吗？
2. 有没有更好（更安全/更简洁/更高效）的方法？

Answer 1

更新： @DennisGolomazov has found out that this "prefiltering" is not going to work properly for longitudes and make a very good example - 这是一个小演示：

In [115]: df
Out[115]:
     id   lat    lng
5  4444  40.0 -121.0
0  1111  40.0 -120.0

In [116]: %paste
threshold = 60
max_lng_factor = 69.17
max_lat_factor = 69.41
target_lat, target_lng = 40, -120
mask = df.lat.sub(target_lat).abs().le(threshold/max_lat_factor) \
       & \
       df.lng.sub(target_lng).abs().le(threshold/max_lng_factor)
x = df.loc[mask, ['lat','lng']].drop_duplicates()
## -- End pasted text --

In [117]: x
Out[117]:
    lat    lng
0  40.0 -120.0

这两个坐标之间的距离小于我们的阈值（60 英里）：

In [119]: haversine_np(-120, 40, -121, 40)
Out[119]: 52.895043596886239

结论：我们可以预过滤纬度，但不能预过滤经度：

In [131]: df
Out[131]:
     id   lat    lng
5  4444  40.0 -121.0
0  1111  40.0 -120.0
1  2222  42.0 -121.0

正确的预过滤：

In [132]: mask = df.lat.sub(target_lat).abs().le(threshold/max_lat_factor)
     ...: x = df.loc[mask, ['lat','lng']].drop_duplicates()
     ...:

In [133]: x
Out[133]:
    lat    lng
5  40.0 -121.0
0  40.0 -120.0

检查：

In [135]: df.reset_index() \
     ...:   .merge(x.assign(distance=haversine_np(x.lng, x.lat, target_lng, target_lat))
     ...:           .query("distance <= @threshold"),
     ...:          on=['lat','lng'])
     ...:
Out[135]:
   index    id   lat    lng   distance
0      5  4444  40.0 -121.0  52.895044
1      0  1111  40.0 -120.0   0.000000

---

旧的、部分错误的答案：

我会尝试进行预过滤以优化计算。 例如，您可以轻松过滤掉绝对超出“感兴趣的矩形”的点。

演示：

threshold = 100

# http://gis.stackexchange.com/questions/142326/calculating-longitude-length-in-miles/142327#142327
max_lng_factor = 69.17
max_lat_factor = 69.41

target_lat, target_lng = 21.29, -157.84

mask = df.lat.sub(target_lat).abs().le(threshold/max_lat_factor) \
       & \
       df.lng.sub(target_lng).abs().le(threshold/max_lng_factor)

x = df.loc[mask, ['lat','lng']].drop_duplicates()

df.reset_index() \
  .merge(x.assign(distance=haversine_np(x.lng, x.lat, target_lng, target_lat))
          .query("distance <= @threshold"),
         on=['lat','lng']) \
  .drop('distance',1) \
  .set_index('index')

结果：

In [142]: df.reset_index() \
     ...:   .merge(x.assign(distance=haversine_np(x.lng, x.lat, target_lng, target_lat))
     ...:           .query("distance <= @threshold"),
     ...:          on=['lat','lng']) \
     ...:   .drop('distance',1) \
     ...:   .set_index('index')
     ...:
Out[142]:
         id        lat         lng
index
1      5922  20.766100 -156.434998
2      1527  21.291394 -157.843085
3      1419  21.291394 -157.843085
4      1651  21.291394 -157.843085

Answer 2

也许我在效率方面遗漏了一些东西，但我不明白你为什么使用 .grouper 方法。 要获取 Lat 和 Long 系列，只需引用它们，即 df['lat'] 或 df.lat，然后您可以直接计算距离

distances = haversine_np(df.lat, df.lng, target_lat, target_lng)

并使用

创建一个蒙版

mask = distances <= 50

掩码现在被索引到数据帧。

df[mask]

将只提供 True 元素。