数据库经纬度匹配及最近邻查询需求说明

1. 优先检查完全匹配记录 #

先执行精确匹配查询，若存在结果直接返回：

SELECT id, name, lat, long
FROM your_table_name
WHERE lat = 27.98681188240762 AND long = 77.86585050166316;

（将your_table_name替换为你的实际表名，参数也可根据传入值动态替换）

2. 无完全匹配时获取最近邻记录 #

若精确匹配无结果，使用Haversine公式计算球面距离，取距离最小的记录：

SELECT id, name, lat, long,
       6371 * 2 * ASIN(SQRT(
           POWER(SIN((27.98681188240762 - lat) * PI()/180 / 2), 2) +
           COS(27.98681188240762 * PI()/180) * COS(lat * PI()/180) *
           POWER(SIN((77.86585050166316 - long) * PI()/180 / 2), 2)
       )) AS distance_km
FROM your_table_name
ORDER BY distance_km ASC
LIMIT 1;

• 6371为地球平均半径（单位：公里），若需英里单位替换为3956
• 该公式适用于你的1000条记录场景，计算量可控

3. 应用层（Python）实现示例 #

如果在代码中处理数据，可参考以下逻辑：

import pandas as pd
import math

def haversine(lat1, lon1, lat2, lon2):
    # 经纬度转弧度
    lat1_rad = math.radians(lat1)
    lon1_rad = math.radians(lon1)
    lat2_rad = math.radians(lat2)
    lon2_rad = math.radians(lon2)
    
    dlat = lat2_rad - lat1_rad
    dlon = lon2_rad - lon1_rad
    
    a = math.sin(dlat/2)**2 + math.cos(lat1_rad) * math.cos(lat2_rad) * math.sin(dlon/2)**2
    c = 2 * math.asin(math.sqrt(a))
    return 6371 * c  # 返回公里数

# 模拟数据表
df = pd.DataFrame([
    {"id": 1, "name": "test", "lat": 27.988865824076, "long": 77.8523526316}
])

# 目标经纬度
target_lat = 27.98681188240762
target_lon = 77.86585050166316

# 检查精确匹配
exact_match = df[(df["lat"] == target_lat) & (df["long"] == target_lon)]
if not exact_match.empty:
    print(exact_match.to_dict('records')[0])
else:
    # 计算所有记录的距离并排序取最近
    df["distance"] = df.apply(lambda row: haversine(target_lat, target_lon, row["lat"], row["long"]), axis=1)
    nearest_record = df.sort_values("distance").iloc[0]
    print(nearest_record.to_dict())

内容的提问来源于stack exchange，提问作者Adarsh Srivastav