如何编写代码批量对比住宅与餐饮场所位置并计算最近距离？

实现思路 #

用Python的pandas做批量数据处理，结合geopy计算地理球面距离，自动为每栋住宅匹配最近的餐饮场所及对应距离，完全无需手动逐一对比。

基础实现代码（适用于中小数据量） #

import pandas as pd
from geopy.distance import geodesic

# 加载住宅和餐饮位置数据（假设为CSV格式，需包含latitude、longitude列）
df_residential = pd.read_csv('residential_locations.csv')
df_restaurants = pd.read_csv('restaurant_locations.csv')

def find_nearest_restaurant(res_lat, res_lon):
    min_distance = float('inf')
    nearest_info = None
    
    # 遍历所有餐饮场所计算距离
    for _, rest_row in df_restaurants.iterrows():
        rest_coords = (rest_row['latitude'], rest_row['longitude'])
        res_coords = (res_lat, res_lon)
        # 计算球面距离，单位为公里（可指定miles改为英里）
        distance = geodesic(res_coords, rest_coords).km
        
        if distance < min_distance:
            min_distance = distance
            # 保存最近餐饮的信息（可根据需求添加ID、地址等字段）
            nearest_info = {
                'nearest_restaurant': rest_row.get('name', 'Unnamed'),
                'restaurant_lat': rest_row['latitude'],
                'restaurant_lon': rest_row['longitude'],
                'distance_km': round(min_distance, 2)
            }
    
    return nearest_info

# 批量应用到所有住宅
nearest_results = df_residential.apply(
    lambda x: pd.Series(find_nearest_restaurant(x['latitude'], x['longitude'])),
    axis=1
)

# 合并原数据与结果并保存
final_result = pd.concat([df_residential, nearest_results], axis=1)
final_result.to_csv('residential_nearest_restaurant.csv', index=False)

大数据量优化方案 #

如果餐饮场所数据量超过1万条，逐行遍历效率会下降，可使用空间索引（rtree库）加速最近邻查找：

import pandas as pd
from geopy.distance import geodesic
from rtree import index

df_residential = pd.read_csv('residential_locations.csv')
df_restaurants = pd.read_csv('restaurant_locations.csv')

# 构建餐饮场所的空间索引（注意rtree坐标顺序为：经度,纬度）
spatial_index = index.Index()
for idx, row in df_restaurants.iterrows():
    spatial_index.insert(idx, (row['longitude'], row['latitude'], row['longitude'], row['latitude']))

def find_nearest_with_index(res_lat, res_lon):
    # 查找最近的1个餐饮场所索引
    nearest_rest_idx = list(spatial_index.nearest((res_lon, res_lat), 1))[0]
    rest_row = df_restaurants.iloc[nearest_rest_idx]
    distance = geodesic((res_lat, res_lon), (rest_row['latitude'], rest_row['longitude'])).km
    
    return {
        'nearest_restaurant': rest_row.get('name', 'Unnamed'),
        'restaurant_lat': rest_row['latitude'],
        'restaurant_lon': rest_row['longitude'],
        'distance_km': round(distance, 2)
    }

# 批量计算并保存结果
optimized_results = df_residential.apply(
    lambda x: pd.Series(find_nearest_with_index(x['latitude'], x['longitude'])),
    axis=1
)
final_optimized_result = pd.concat([df_residential, optimized_results], axis=1)
final_optimized_result.to_csv('residential_nearest_restaurant_optimized.csv', index=False)

关键注意事项 #

• 确保经纬度数据为十进制格式（例如39.9042，而非度分秒格式）
• geopy.geodesic计算的是球面距离，比平面直线距离更符合实际地理场景
• 若需使用更精确的道路距离，可结合地图API，但需注意调用限制与密钥问题

内容的提问来源于stack exchange，提问作者Leonard Lee