如何用Pandas+Geopy批量从坐标提取墨西哥州名

1. 基础实现：单个坐标处理函数 #

先封装单个坐标的反向地理编码逻辑，包含异常处理和墨西哥州字段的解析：

import pandas as pd
from geopy.geocoders import Nominatim
from geopy.extra.rate_limiter import RateLimiter

# 初始化地理编码器，必须设置user_agent标识你的应用
geolocator = Nominatim(user_agent="mexico_state_lookup")
# 添加请求频率限制，避免触发服务封禁
reverse_geocode = RateLimiter(geolocator.reverse, min_delay_seconds=1)

def extract_mexico_state(lat, lon):
    try:
        # 执行反向地理编码
        location = reverse_geocode((lat, lon), exactly_one=True)
        if not location:
            return None
        # 从返回的地址组件中提取州名（Nominatim中墨西哥州对应键为'state'）
        address_components = location.raw.get('address', {})
        return address_components.get('state')
    except Exception as e:
        print(f"Failed to process ({lat}, {lon}): {str(e)}")
        return None

2. 用Apply批量处理DataFrame #

直接使用df.apply()遍历每一行，传入经纬度调用上述函数：

# 读取Excel数据
df = pd.read_excel("your_data.xlsx")

# 假设你的经纬度列名为'latitude'和'longitude'，生成新列存储州名
df['mexico_state'] = df.apply(
    lambda row: extract_mexico_state(row['latitude'], row['longitude']),
    axis=1
)

# 可选：保存结果到新Excel
df.to_excel("data_with_states.xlsx", index=False)

3. 速度优化方案 #

针对反向地理编码速度慢的问题，推荐两个关键优化：

3.1 缓存重复坐标结果

用functools.lru_cache缓存已查询过的坐标，避免重复请求：

from functools import lru_cache

# 注意：将经纬度转为可哈希的元组，才能被缓存
@lru_cache(maxsize=None)
def extract_mexico_state_cached(lat, lon):
    return extract_mexico_state(lat, lon)

# 调用缓存后的函数
df['mexico_state'] = df.apply(
    lambda row: extract_mexico_state_cached(row['latitude'], row['longitude']),
    axis=1
)

3.2 并行处理（大数据量场景）

用swifter库实现并行化apply，利用多线程提升处理速度：

import swifter

# 缓存+并行处理
df['mexico_state'] = df.swifter.apply(
    lambda row: extract_mexico_state_cached(row['latitude'], row['longitude']),
    axis=1
)

注意事项 #

• 先清理数据：提前删除经纬度列的缺失值（df = df.dropna(subset=['latitude', 'longitude'])），避免无效请求。
• 遵守Nominatim服务规则：不要随意降低min_delay_seconds，否则可能被临时封禁IP。
• 超大数据量：如果数据量过万，建议改用付费地理编码服务，速度和稳定性更优。

内容的提问来源于stack exchange，提问作者Rafael del Rincón