当所有多边形均为矩形时，寻求更快的多边形合并算法

因为你要处理的是无洞矩形，完全可以抛开通用的shapely.unary_union（geopandas dissolve确实依赖它），用针对性的算法大幅提升合并效率，适配AWS Lambda的资源限制：

1. 空间分治合并法 #

先通过空间网格把矩形分组，缩小单次合并的要素规模：

• 计算所有矩形的整体边界范围，划分成若干大小合适的网格（比如按Lambda能稳定处理的批次大小来定，比如每网格1000个矩形）。
• 将每个矩形分配到其覆盖的网格中，对每个网格内的矩形先做合并。
• 最后只需要对相邻网格的合并结果做二次合并——因为非相邻网格的矩形不可能重叠，这一步的计算量会大幅降低。
  这种方法能把原本O(n²)的最坏复杂度拆解成多个小批次的O(k²)（k是单网格内的矩形数），内存占用也会分散到各个批次。

2. 扫描线专用算法（轴对齐矩形最优） #

如果你的矩形是轴对齐的，扫描线算法是效率最高的选择，时间复杂度仅O(n log n)：

• 提取所有矩形的左、右边界，按x坐标排序，同时标记每个边界是"进入"（左边界）还是"退出"（右边界）。
• 从左到右扫描，维护当前活跃的y区间集合：遇到左边界就把对应的[y_min, y_max]加入集合，遇到右边界就移除对应的区间。
• 每次区间集合变化时，把当前活跃的y区间合并成连续的段，再结合当前的x范围生成合并后的矩形，记录下来。
  这种算法不需要加载所有几何对象做复杂的拓扑计算，内存占用极低，完全适配Lambda的资源限制。

3. Numpy向量化批量处理 #

把矩形的边界数据转成numpy数组，用向量化操作替代Python循环和shapely的单要素调用：

• 提取所有矩形的minx, miny, maxx, maxy成4个numpy数组。
• 按minx排序后，依次遍历矩形，维护已合并的矩形组：对当前矩形，检查是否和已有的组重叠，若重叠则更新组的min/max边界，否则新建组。
  numpy的向量化计算比Python循环快几个数量级，而且避免了shapely几何对象的内存开销。

Lambda环境额外优化 #

• 分批次异步处理：把超大要素集拆分成多个子任务，用Lambda异步调用分别处理，最后合并各子任务的结果，避免单Lambda超时。
• 轻量依赖：直接用shapely+numpy替代geopandas，减少不必要的内存占用（geopandas的DataFrame会额外存储大量元数据）。
• 编译优化库：使用带有C扩展的优化版shapely，或者用Rust的geo库编译成Python绑定，计算速度会比标准shapely快2-5倍。

内容的提问来源于stack exchange，提问作者Nicholas Lawrence