计算 Shapely 几何对象的成对距离

Question

我在常规的 stackoverflow 而不是 stackexchange GIS 上问这个问题，因为我的问题更多是 scikit-learn，而不是任何与 GIS 相关的库。

我有一个包含多边形的 GeoDataFrame（一个 Pandas GeoDataFrame，但具有额外的几何功能），我想计算它们之间的成对距离。我也在与 scikit-learn 合作，似乎他们为此有一些很好的优化函数，而且您似乎也可以指定一个可调用函数来进行实际距离计算，这很好，因为我可以（我认为）输出距离矩阵时，只需使用 Shapely 的.distance() 方法即可获取多边形之间的距离。该方法计算两个几何之间的几何距离。

但是，我不知道如何实现自定义可调用函数。这是我目前所拥有的：

import geopandas as gpd
from random import uniform
from shapely.geometry import Point
from sklearn.metrics import pairwise_distances

# Define polygon to polygon distance callable
def poly_distance(poly1, poly2):
    return poly1.distance(poly2)

# Make some points and buffer them into polygons
geoms = [Point(uniform(0, 100), uniform(0, 100)) for i in range(100)]
gdf = gpd.GeoDataFrame(geoms, columns=["geometry"], geometry="geometry")
gdf[gdf.geometry.name] = gdf.buffer(1)

X = gdf[gdf.geometry.name].to_numpy()

result = pairwise_distances(X, poly_distance)

我认为这会起作用，因为我正在指定一个函数，该函数将从生成的 numpy 数组 (X) 中获取两个元素并返回它们之间的浮点距离。但它抱怨：

TypeError: float() argument must be a string or a number, not 'Polygon'

docs 确实说：

callable 应该将来自 X 的两个数组作为输入，并返回一个指示它们之间距离的值。

但我不知道如何将其转换为函数所需的格式。我还尝试了X的以下定义：

X = np.array([gdf[gdf.geometry.name].to_numpy()])
X = np.transpose(np.array([gdf[gdf.geometry.name].to_numpy()]))

但他们都没有工作。

Answer 1

sklearn 指标期望参数 x 具有可转换为浮点数的有效 dtype。如果您看到源代码，它会在计算它们之间的距离之前将数组转换为浮点数。

由于您的 X 包含一个多边形对象，因此在将数组转换为浮点数时会出错。

但是，您可以构建自己的 pair_wise 函数，该函数将 polygon array 和 distance function 作为输入，并将 distance matrix 作为输出。

代码：

import geopandas as gpd
from random import uniform
from shapely.geometry import Point
import numpy as np

# Define polygon to polygon distance callable
def poly_distance(poly1, poly2):
    return poly1.distance(poly2)

# Make some points and buffer them into polygons
geoms = [Point(uniform(0, 100), uniform(0, 100)) for i in range(100)]
gdf = gpd.GeoDataFrame(geoms, columns=["geometry"], geometry="geometry")
gdf[gdf.geometry.name] = gdf.buffer(1)
X = gdf[gdf.geometry.name].to_numpy()

def pair_wise(x, function):
  distance_matrix = []
  for element in x:
    distance_matrix.append([function(element, item) for item in x])
  return np.array(distance_matrix)

pair_wise(X, poly_distance)