如何在Pandas中利用邻近网格经纬度计算并替换土壤湿度值

1. 导入必要库 #

import pandas as pd
import numpy as np
import glob

2. 加载并合并所有CSV数据 #

先把glob获取到的所有CSV文件合并成一个统一的DataFrame：

# 替换为你的根文件夹路径，递归获取所有CSV文件
csv_files = glob.glob('你的根文件夹路径/**/*.csv', recursive=True)

# 逐个加载文件并合并
df_list = []
for file in csv_files:
    temp_df = pd.read_csv(file)
    df_list.append(temp_df)
merged_df = pd.concat(df_list, ignore_index=True)

确保你的数据列名包含Lat、Long、date和Soil moisture，如果列名不一致，要对应修改后续代码里的列名。

3. 构建经纬度到土壤湿度的映射 #

为了快速查找任意经纬度对应的湿度值，把经纬度设为索引并转成字典：

# 以经纬度为键，土壤湿度为值，构建快速查找映射
humidity_map = merged_df.set_index(['Long', 'Lat'])['Soil moisture'].to_dict()
# 用round处理浮点精度问题，避免因小数位数差异导致查找失败
humidity_map = {(round(lon,2), round(lat,2)): val for (lon, lat), val in humidity_map.items()}

4. 定义邻近均值计算函数 #

严格按照你给出的示例逻辑，取同纬度、经度减0.05和同经度、纬度±0.05的两个邻近点均值（可根据实际网格方向调整）：

def calc_neighbor_avg(longitude, latitude):
    neighbors = []
    # 西向邻近点：经度减0.05，纬度不变
    west_point = (round(longitude - 0.05, 2), round(latitude, 2))
    if west_point in humidity_map:
        neighbors.append(humidity_map[west_point])
    # 根据示例，第一个点取纬度加0.05，第二个点取纬度减0.05，这里统一检查上下两个方向
    north_point = (round(longitude, 2), round(latitude + 0.05, 2))
    south_point = (round(longitude, 2), round(latitude - 0.05, 2))
    if north_point in humidity_map:
        neighbors.append(humidity_map[north_point])
    if south_point in humidity_map:
        neighbors.append(humidity_map[south_point])
    
    # 按示例取两个点的均值，若只有一个有效点则用该点值，无有效点则保留原值1
    if len(neighbors) >= 2:
        return np.mean(neighbors[:2])
    elif len(neighbors) == 1:
        return neighbors[0]
    else:
        return 1

5. 替换土壤湿度为1的数值 #

遍历所有符合条件的行，替换为计算出的邻近均值：

# 定位土壤湿度为1的行，调用函数替换值
merged_df.loc[merged_df['Soil moisture'] == 1, 'Soil moisture'] = merged_df.apply(
    lambda row: calc_neighbor_avg(row['Long'], row['Lat']),
    axis=1
)

6. 保存处理后的数据 #

把处理完成的数据集导出为新CSV：

merged_df.to_csv('处理后的土壤湿度数据.csv', index=False)

内容的提问来源于stack exchange，提问作者Faysal Kabir Shuvo