如何在GeoDataFrame中高效查找匹配/邻近指定坐标的POINT行？

一、修复完全匹配逻辑并优化效率 #

你原来的代码存在运算符优先级问题，&的优先级高于==，会导致逻辑判断出错，正确的精确匹配写法需要给每个条件单独加括号：

select_point = gpd1[(gpd1.geometry.x == point[0]) & (gpd1.geometry.y == point[1])]

但这种全表遍历的布尔索引在大数据集下效率极低，建议用空间索引先缩小候选范围，再做精确匹配：

from shapely.geometry import Point

target_point = Point(point[0], point[1])
# 初始化空间索引
sindex = gpd1.sindex
# 用空间索引快速筛选可能相交的候选（精确匹配的点必然和自身相交）
candidate_ids = list(sindex.query(target_point, predicate='intersects'))
candidates = gpd1.iloc[candidate_ids]
# 在候选集中做精确匹配
exact_match = candidates[(candidates.geometry.x == point[0]) & (candidates.geometry.y == point[1])]

空间索引的查询是O(log n)复杂度，远快于全表O(n)的布尔索引。

二、处理坐标微小偏差，高效查找最近点 #

如果坐标存在微小误差，精确匹配完全失效，这时候可以通过缓冲+空间索引快速定位附近候选，再计算精确距离找最近点：

# 根据坐标精度设置缓冲半径（单位与数据集CRS一致，比如WGS84下0.0001约对应10米）
buffer_radius = 0.0001
buffered_point = target_point.buffer(buffer_radius)

# 用空间索引找缓冲范围内的所有候选点
candidate_ids = list(sindex.query(buffered_point, predicate='intersects'))
candidates = gpd1.iloc[candidate_ids]

if not candidates.empty:
    # 计算候选点到目标点的距离
    candidates['distance'] = candidates.geometry.distance(target_point)
    # 筛选距离最小的行
    nearest_point = candidates[candidates['distance'] == candidates['distance'].min()]
else:
    # 极端情况：缓冲范围内无点，全表查找最近点（尽量避免，效率较低）
    gpd1['distance'] = gpd1.geometry.distance(target_point)
    nearest_point = gpd1[gpd1['distance'] == gpd1['distance'].min()]

这种方法先通过空间索引把范围缩小到极小的缓冲区域，再在小范围内计算距离，比全表计算距离快几个数量级。

额外提示 #

• 确保GeoDataFrame的geometry列是POINT类型，否则需要先做类型转换。
• 如果频繁执行查询，建议提前初始化空间索引（sindex = gpd1.sindex），无需每次查询都重新创建。

内容的提问来源于stack exchange，提问作者Xudong