按最小地理空间距离 (R) 匹配两个数据集

Question

我有以下两个数据集：

houses <- data.table(house_number = c(1:3),
                     lat_decimal = seq(1.1, 1.3, by = 0.1),
                     lon_decimal = seq(1.4, 1.6, by = 0.1))
stations <- data.table(station_numer = c(1:11),
                       lat_decimal = seq(1, 2, by = 0.1),
                       lon_decimal = seq(2, 3, by = 0.1))

我想将houses 和stations 合并在一起，这样生成的station_number 就是最接近相应house_number 的站。

This question is very similar，但我不确定他们是否正在处理经纬度，而且我不知道在处理经度和纬度时如何计算距离（这就是为什么我更喜欢简单地使用 @ 987654327@ 来自geosphere 包）。

我从未使用过外部函数。如果上述问题的答案有效，我该如何调整答案以使用distmfunction 而不是sqrtfunction？

Answer 1

使用来自hutilscpp 的match_nrst_haversine：

library(hutilscpp)
houses[, c("station_number", "dist") := match_nrst_haversine(lat_decimal,
                                                             lon_decimal,
                                                             addresses_lat = stations$lat_decimal,
                                                             addresses_lon = stations$lon_decimal,
                                                             Index = stations$station_numer,
                                                             close_enough = 0,
                                                             cartesian_R = 5)]

houses
#>    house_number lat_decimal lon_decimal station_number     dist
#> 1:            1         1.1         1.4              1 67.62617
#> 2:            2         1.2         1.5              1 59.87076
#> 3:            3         1.3         1.6              1 55.59026

如果您的数据很多（即超过一百万个匹配点）以提高性能，您可能需要调整 close_enough 和 cartesian_R。

`cartesian_R`

任何地址距要进行地理编码的点的最大半径。用于加速最小距离的检测。注意，作为 参数名称表明，距离是笛卡尔坐标，所以 可能是少数。

`close_enough`    

以米为单位的距离，低于该距离将被视为已发生匹配。 （被认为“足够近”的距离是 匹配。）

例如，close_enough = 10 表示将匹配十米内的第一个位置，即使稍后出现更接近的匹配。

可以作为字符串提供以强调单位，例如close_enough = "0.25 公里"。只允许使用 km 和 m。

Answer 2

你的问题比简单的合并要复杂一些，outer 有点不适合这个目的。为了尽可能彻底，我们要计算房屋和车站的所有组合之间的距离，然后只保留每栋房屋最近的车站。我们需要两个包：

library(tidyverse)
library(geosphere)

首先，做一点准备。 distm 期望坐标的顺序是经度第一，纬度第二（你有相反的情况），所以让我们解决这个问题，更好地命名列，并在我们处理时纠正错字：

houses <- data.frame(house_number = c(1:3),
                     lon_house = seq(1.4, 1.6, by = 0.1),
                     lat_house = seq(1.1, 1.3, by = 0.1)
                     )
stations <- data.frame(station_number = c(1:11),
                       lon_station = seq(2, 3, by = 0.1),
                       lat_station = seq(1, 2, by = 0.1)
                       )

我们将创建“嵌套”数据框，以便更轻松地将坐标保持在一起：

house_nest <- nest(houses, -house_number, .key = 'house_coords')
station_nest <- nest(stations, -station_number, .key = 'station_coords')

  house_number house_coords        
         <int> <list>              
1            1 <data.frame [1 × 2]>
2            2 <data.frame [1 × 2]>
3            3 <data.frame [1 × 2]>

   station_number station_coords      
            <int> <list>              
 1              1 <data.frame [1 × 2]>
 2              2 <data.frame [1 × 2]>
 3              3 <data.frame [1 × 2]>
 4              4 <data.frame [1 × 2]>
 5              5 <data.frame [1 × 2]>
 6              6 <data.frame [1 × 2]>
 7              7 <data.frame [1 × 2]>
 8              8 <data.frame [1 × 2]>
 9              9 <data.frame [1 × 2]>
10             10 <data.frame [1 × 2]>
11             11 <data.frame [1 × 2]>

使用dplyr::crossing 合并两个数据帧中的每一行：

data.master <- crossing(house_nest, station_nest)

   house_number house_coords         station_number station_coords      
          <int> <list>                        <int> <list>              
 1            1 <data.frame [1 × 2]>              1 <data.frame [1 × 2]>
 2            1 <data.frame [1 × 2]>              2 <data.frame [1 × 2]>
 3            1 <data.frame [1 × 2]>              3 <data.frame [1 × 2]>
 4            1 <data.frame [1 × 2]>              4 <data.frame [1 × 2]>
 5            1 <data.frame [1 × 2]>              5 <data.frame [1 × 2]>
 6            1 <data.frame [1 × 2]>              6 <data.frame [1 × 2]>
 7            1 <data.frame [1 × 2]>              7 <data.frame [1 × 2]>
 8            1 <data.frame [1 × 2]>              8 <data.frame [1 × 2]>
 9            1 <data.frame [1 × 2]>              9 <data.frame [1 × 2]>
10            1 <data.frame [1 × 2]>             10 <data.frame [1 × 2]>
# ... with 23 more rows

现在所有这些都到位了，我们可以在每一行上使用distm 来计算距离，并保持每间房子的最短距离：

data.dist <- data.master %>% 
  mutate(dist = map2_dbl(house_coords, station_coords, distm)) %>% 
  group_by(house_number) %>% 
  filter(dist == min(dist))

  house_number house_coords         station_number station_coords         dist
         <int> <list>                        <int> <list>                <dbl>
1            1 <data.frame [1 × 2]>              1 <data.frame [1 × 2]> 67690.
2            2 <data.frame [1 × 2]>              1 <data.frame [1 × 2]> 59883.
3            3 <data.frame [1 × 2]>              1 <data.frame [1 × 2]> 55519.