如何在R中基于sf多边形对象计算最近邻？

要在sf对象上实现最近邻计算，推荐结合spdep包（空间依赖分析工具，与sf兼容良好），以下是两种常用方法：

方法1：基于质心的k近邻计算（高效推荐） #

多边形的最近邻计算通常以质心作为要素的代表位置，这种方法计算效率高，适合大数据量：

# 加载空间依赖分析包
library(spdep)

# 计算邮政编码多边形的质心
GER_centroids <- st_centroid(GER_postcode_subsample)

# 计算k=4的最近邻（返回每个要素的近邻索引与对应距离）
knn_result <- knearneigh(st_coordinates(GER_centroids), k = 4)

# 查看每个要素的4个最近邻索引
knn_result$nn

# 查看每个要素到最近邻的距离
knn_result$dist

# 可选：转换为邻接列表/空间权重矩阵，用于后续空间分析（如Moran's I）
knn_nb <- knn2nb(knn_result)
knn_weights <- nb2listw(knn_nb)

方法2：基于多边形边界的精确最近邻计算（精度优先） #

如果需要基于多边形实际边界的最短距离计算（而非质心），可以使用sf的st_distance函数，但这种方法计算量较大，适合小样本数据：

# 计算所有多边形两两之间的边界距离矩阵
dist_matrix <- st_distance(GER_postcode_subsample)

# 定义需要的近邻数量
k <- 4

# 对每个多边形，筛选出除自身外距离最小的k个要素的索引
knn_indices <- apply(dist_matrix, 1, function(x) order(x)[2:(k+1)])

# 查看结果：每列对应一个多边形的k个最近邻索引
knn_indices

说明 #

• spdep的knearneigh函数与sp包中的用法逻辑一致，但支持直接传入sf对象的坐标矩阵（通过st_coordinates提取）；
• 质心计算是空间分析中处理面要素的常规操作，平衡了精度与计算效率；
• 若需进一步分析空间关联，knn2nb和nb2listw可以将近邻结果转换为空间权重矩阵，支持后续的空间自相关分析。

内容的提问来源于stack exchange，提问作者Marco