如何在Pandas中批量将CRS2229坐标转换为CRS3857坐标

针对DataFrame中的X、Y、XY列，推荐两种高效的批量转换方案，避免逐行循环或lambda的低效/报错问题：

方案一：使用Geopandas（推荐，空间数据处理更便捷） #

Geopandas可以直接将坐标转为空间要素，批量完成CRS转换，代码简洁且不易出错：

import pandas as pd
import geopandas as gpd

# 示例DataFrame（替换为你的实际数据）
df = pd.DataFrame({
    'X': [123456, 789012, 456789],
    'Y': [987654, 321098, 654321],
    'XY': ['123456,987654', '789012,321098', '456789,654321']
})

# 1. 处理X、Y列的批量转换
# 基于X、Y创建GeoDataFrame，指定原CRS为EPSG:2229
gdf = gpd.GeoDataFrame(
    df,
    geometry=gpd.points_from_xy(df['X'], df['Y']),
    crs="EPSG:2229"
)

# 转换到EPSG:3857
gdf_3857 = gdf.to_crs("EPSG:3857")

# 提取转换后的坐标到新列
df['X_3857'] = gdf_3857.geometry.x
df['Y_3857'] = gdf_3857.geometry.y

# 2. 处理XY列（假设为"X,Y"格式的字符串）
# 拆分XY列为临时坐标列
df[['temp_X', 'temp_Y']] = df['XY'].str.split(',', expand=True).astype(float)

# 对拆分后的坐标执行CRS转换
gdf_xy = gpd.GeoDataFrame(
    df,
    geometry=gpd.points_from_xy(df['temp_X'], df['temp_Y']),
    crs="EPSG:2229"
).to_crs("EPSG:3857")

# 合并转换后的坐标为新的XY列
df['XY_3857'] = gdf_xy.geometry.x.astype(str) + ',' + gdf_xy.geometry.y.astype(str)

# 清理临时列
df.drop(['temp_X', 'temp_Y'], axis=1, inplace=True)

方案二：使用Pyproj批量转换（轻量，无需Geopandas） #

Pyproj的Transformer.transform方法支持直接传入数组，无需逐行处理，效率远高于循环或lambda：

import pandas as pd
from pyproj import Transformer

# 定义坐标转换器，注意指定always_xy=True以保持X/Y顺序
transformer = Transformer.from_crs("EPSG:2229", "EPSG:3857", always_xy=True)

# 示例DataFrame（替换为你的实际数据）
df = pd.DataFrame({
    'X': [123456, 789012, 456789],
    'Y': [987654, 321098, 654321],
    'XY': ['123456,987654', '789012,321098', '456789,654321']
})

# 批量转换X、Y列
df['X_3857'], df['Y_3857'] = transformer.transform(df['X'].values, df['Y'].values)

# 处理XY列
# 拆分字符串为坐标数组
xy_coords = df['XY'].str.split(',', expand=True).astype(float)
# 批量转换拆分后的坐标
xy_x_3857, xy_y_3857 = transformer.transform(xy_coords[0].values, xy_coords[1].values)
# 合并为新的XY列
df['XY_3857'] = xy_x_3857.astype(str) + ',' + xy_y_3857.astype(str)

常见问题说明 #

• 之前用lambda/循环失败的原因：逐行处理会触发Transformer的单值转换逻辑，不仅效率低，还可能因缺失值、数据类型不匹配导致报错；直接传入数组是Pyproj优化过的批量处理路径，稳定性和效率更高。
• 注意always_xy=True：确保转换器以X（东向）、Y（北向）的顺序处理坐标，避免因CRS轴顺序差异导致转换结果错误。
• 缺失值处理：如果数据中有空值，需先通过df.dropna(subset=['X','Y'])或df.fillna()处理，避免转换中断。

内容的提问来源于stack exchange，提问作者sbsutton98