R语言两种成对距离计算方法结果不一致的原因及解决方法

为什么两种方法结果用identical()比对返回FALSE？ #

核心原因有两个：

1. 浮点数精度差异：嵌套循环是逐个计算单对距离，expand.grid是批量向量化计算，二者的数值计算路径不同，会导致距离结果出现极小的浮点数差异（比如小数点后第10位的差别）。而identical()是严格的全相等校验，哪怕这种微乎其微的差异也会返回FALSE。
2. 数据顺序或分组细节差异：如果姓名是因子型，expand.grid会自动按因子水平排序，导致生成的人员对顺序和嵌套循环的遍历顺序不一致；或者分组统计时的列名、数据类型有细微差别，也会让identical()校验不通过。

如何让结果一致？ #

可以通过以下方式解决：

• 用近似相等替代严格相等：放弃identical()，改用all.equal()函数，它会忽略默认容忍度内的浮点数差异，只要统计结果的实际意义一致就会返回TRUE。
• 统一计算精度：将两种方法得到的距离值统一四舍五入到相同小数位（比如保留6位）后再统计，消除微小精度差异。示例代码：

  # 循环方法中修改统计步骤
  最近距离 = round(min(dists), 6)
  # 批量方法中修改统计步骤
  最近距离 = round(min(距离), 6)
  

• 确保人员对顺序一致：如果姓名是字符型，expand.grid默认按字母顺序排列，可手动调整顺序匹配嵌套循环逻辑：

  all_pairs <- expand.grid(df1_name = df_1$姓名, df2_name = df_2$姓名, stringsAsFactors = FALSE)
  # 按df_1原始顺序排序
  all_pairs <- all_pairs[order(match(all_pairs$df1_name, df_1$姓名)), ]
  

两种方法是否均正确？ #

只要逻辑无错误，两种方法都是正确的：

• 嵌套循环：逻辑直观，逐个计算每对人员距离后分组统计，适合小规模数据。但效率低，数据量大时（比如双方各1000行，需计算100万次距离）运行速度会显著变慢。
• expand.grid批量计算：符合R向量化编程思想，先生成所有人员对的笛卡尔积，再批量计算距离后分组统计，代码简洁、效率远高于循环，适合大规模数据。需注意distHaversine的输入顺序是经度在前，纬度在后，避免因坐标顺序错误得到结果。

示例验证代码 #

library(geosphere)
library(dplyr)

# 构造测试数据
df_1 <- data.frame(姓名 = c("甲", "乙"), 经度 = c(116.397, 116.407), 纬度 = c(39.904, 39.914))
df_2 <- data.frame(姓名 = c("A", "B"), 经度 = c(116.400, 116.410), 纬度 = c(39.905, 39.915))

# 方法1：嵌套循环实现
result_loop <- data.frame()
for(i in seq(nrow(df_1))){
  dists <- sapply(seq(nrow(df_2)), function(j){
    distHaversine(c(df_1$经度[i], df_1$纬度[i]), c(df_2$经度[j], df_2$纬度[j]))
  })
  result_loop <- rbind(result_loop, data.frame(
    姓名 = df_1$姓名[i],
    最近距离 = min(dists),
    最远距离 = max(dists),
    平均距离 = mean(dists)
  ))
}

# 方法2：expand.grid批量实现
all_pairs <- expand.grid(df1_name = df_1$姓名, df2_name = df_2$姓名, stringsAsFactors = FALSE) %>%
  left_join(df_1, by = c("df1_name" = "姓名")) %>%
  left_join(df_2, by = c("df2_name" = "姓名"), suffix = c("_1", "_2")) %>%
  mutate(距离 = distHaversine(cbind(经度_1, 纬度_1), cbind(经度_2, 纬度_2)))

result_grid <- all_pairs %>%
  group_by(df1_name) %>%
  summarise(
    最近距离 = min(距离),
    最远距离 = max(距离),
    平均距离 = mean(距离)
  ) %>%
  rename(姓名 = df1_name) %>%
  ungroup()

# 比对结果
identical(result_loop, result_grid)  # 大概率返回FALSE
all.equal(result_loop, result_grid) # 返回TRUE，确认结果实际一致

内容的提问来源于stack exchange，提问作者stats_noob