基于距离筛选GeoDataFrame点要素：GeoPandas内置方法与Rtree高效实现方案咨询

当然可以搞定这个需求！GeoPandas本身就提供了不少工具来处理这类空间距离筛选，针对大数据量还有高效优化方案，我给你一步步拆解：

首先要注意一个关键前提：你的数据必须是投影坐标系（单位为米），比如UTM分区、Web墨卡托（EPSG:3857）这类，不能用WGS84经纬度（EPSG:4326），因为经纬度的“距离”是度数，不是实际米数。

下面是两种简单的实现方式：

方法1：计算点到最近多边形的距离后筛选 #

把所有多边形合并成一个单一几何对象，再计算每个点到它的距离，效率比逐个多边形计算高：

import geopandas as gpd

# 加载数据（确保是投影坐标系）
points = gpd.read_file("your_points.shp")
polygons = gpd.read_file("your_polygons.shp")

# 计算每个点到所有多边形的最近距离
points["min_distance"] = points.geometry.distance(polygons.unary_union)

# 筛选距离≤阈值（比如1000米）的点
filtered_points = points[points["min_distance"] <= 1000]

方法2：用空间连接获取最近多边形及距离 #

GeoPandas 0.10+版本支持sjoin_nearest，可以直接连接到最近的多边形，同时返回距离，代码更简洁：

# 空间连接，保留点+最近多边形的信息，同时生成距离列
joined = gpd.sjoin_nearest(points, polygons, distance_col="distance_to_poly")

# 筛选符合距离条件的点（记得去重，因为一个点可能匹配到多个近多边形）
filtered_points = joined[joined["distance_to_poly"] <= 1000].drop_duplicates(subset=points.index.name)

如果你的点或多边形数量达到十万/百万级，直接计算全量距离会很慢。这时候可以用GeoPandas内置的Rtree空间索引，先快速筛选出候选点，再做精确距离计算，大幅减少计算量。

方式1：手动用空间索引缩小范围 #

# 给多边形建立空间索引
poly_sindex = polygons.sindex
distance_threshold = 1000  # 阈值（米）

# 遍历点，先找可能在阈值范围内的多边形候选
keep = []
for _, point in points.iterrows():
    # 用点的缓冲范围作为查询边界，找相交的多边形
    point_buffer = point.geometry.buffer(distance_threshold)
    candidate_poly_ids = list(poly_sindex.intersection(point_buffer.bounds))
    
    if not candidate_poly_ids:
        keep.append(False)
        continue
    
    # 对候选多边形计算精确距离，取最小值
    min_dist = min(point.geometry.distance(polygons.iloc[id].geometry) for id in candidate_poly_ids)
    keep.append(min_dist <= distance_threshold)

# 筛选符合条件的点
filtered_points = points[keep]

方式2：用缓冲多边形做空间连接 #

另一种高效的矢量化方法：给所有多边形做缓冲，然后用空间连接找到落在缓冲内的点：

# 给多边形生成缓冲（阈值距离）
polygons_buffer = polygons.copy()
polygons_buffer["geometry"] = polygons_buffer.geometry.buffer(distance_threshold)

# 空间连接，找到所有落在缓冲内的点
filtered_points = gpd.sjoin(points, polygons_buffer, how="inner", predicate="within")

# 去重，避免一个点匹配多个多边形缓冲
filtered_points = filtered_points.drop_duplicates(subset=points.index.name)

• 小数据量（万级以内）：直接用sjoin_nearest或者distance + unary_union，代码简洁，性能足够。
• 大数据量（十万/百万级）：优先尝试新版本的sjoin_nearest（底层已集成空间索引），如果还是慢，再用空间索引+候选筛选或者缓冲多边形空间连接的方式。
• 核心注意事项：一定要先把数据转成米单位的投影坐标系，否则距离计算完全错误！

你可以用Matplotlib实现你描述的效果：

import matplotlib.pyplot as plt

fig, ax = plt.subplots(figsize=(10, 10))

# 绘制多边形
polygons.plot(ax=ax, color="blue", alpha=0.5, label="多边形")

# 绘制不符合条件的点（红色叉号）
points[~keep].plot(ax=ax, color="red", marker="x", markersize=50, label="不符合条件")

# 绘制符合条件的点（红色圆点+黑色对勾）
points[keep].plot(ax=ax, color="red", marker="o", markersize=30, label="符合条件")
for x, y in zip(points[keep].geometry.x, points[keep].geometry.y):
    ax.text(x, y, "✓", color="black", fontsize=12, ha="center", va="center")

plt.legend()
plt.title("点-多边形距离筛选结果")
plt.show()

内容的提问来源于stack exchange，提问作者Tim