如何在Pandas中高效聚合多列，快速生成点集凸包

我有一个存储对象ID及对应单个X、Y坐标的DataFrame，结构如下：

无法保证ID或X/Y的顺序，也无法在上游调整该关联。最终目标是获取这些点的凸包（convex hull），当前做法是先将X/Y分组聚合为列表，再打包为元组列表，转换为Shapely的MultiPoint后计算凸包，代码如下：

import shapely.geometry as shGeom
sf = df.groupby("ID").agg({"X": list, "Y": list})
# 我希望后续保留该坐标集合，存储为MultiPoint也可以。
# 测试发现，由于内存压力，存储MultiPoint作为中间步骤比存储元组列表更慢
sf["coordinates"] = shapeFrame[["Y", "X"]].apply(lambda x: [(a,b) for a, b in zip(x[0], x[1])], axis= 1)
# 下面的"hull"列是最终目标列
sf["hull"] = sf["coordinates"].apply(lambda x: shGeom.MultiPoint(x).convex_hull)

但该方法需对百万行级DataFrame多次遍历，尤其是打包步骤速度极慢。请问是否有减少数据遍历次数的优化方案？后续会使用GeoPandas，但在将X/Y转换为Point或MultiPolygon前无可用几何列，无法避开该慢步骤。

方案1：用Numpy向量化聚合，跳过Python循环打包 #

利用Numpy数组的C级操作替代Python列表推导，彻底避免低效的坐标打包循环：

import numpy as np
import shapely.geometry as shGeom

# 按ID分组，直接聚合为Numpy数组（比Python列表更高效）
sf = df.groupby("ID").agg({"X": np.array, "Y": np.array})

# 直接拼接X/Y数组为坐标矩阵，生成MultiPoint并计算凸包
sf["hull"] = sf.apply(
    lambda row: shGeom.MultiPoint(np.column_stack((row["X"], row["Y"]))).convex_hull,
    axis=1
)

# 若需保留原始坐标集合，可存储Numpy数组或MultiPoint
sf["coordinates"] = sf.apply(lambda row: np.column_stack((row["X"], row["Y"])), axis=1)
# sf["multi_point"] = sf.apply(lambda row: shGeom.MultiPoint(np.column_stack((row["X"], row["Y"]))), axis=1)

核心优势：Numpy数组操作是底层C实现，比Python级别的zip+列表推导快数倍，大幅减少遍历耗时。

方案2：GeoPandas向量化生成Point，直接分组求凸包 #

提前用GeoPandas的向量化API生成单个Point几何列，再按ID聚合为MultiPoint计算凸包，全程避免手动打包坐标：

import geopandas as gpd
from shapely.geometry import Point

# 向量化生成Point列（速度远快于循环apply）
df["geometry"] = gpd.points_from_xy(df["X"], df["Y"])

# 按ID分组，直接聚合为MultiPoint并计算凸包
sf = df.groupby("ID").agg(
    hull=("geometry", lambda points: shGeom.MultiPoint(points).convex_hull),
    multi_point=("geometry", lambda points: shGeom.MultiPoint(points))
)

核心优势：gpd.points_from_xy是GeoPandas专门优化的向量化方法，生成几何列的效率极高；后续分组聚合直接基于几何对象操作，完全跳过手动坐标打包步骤。

方案3：并行计算加速（超大规模数据场景） #

如果数据量达到千万级，可结合swifter库自动实现并行化apply，进一步利用多核CPU资源：

import swifter

# 基于方案1的代码，用swifter加速apply操作
sf["hull"] = sf.swifter.apply(
    lambda row: shGeom.MultiPoint(np.column_stack((row["X"], row["Y"]))).convex_hull,
    axis=1
)

注意：并行计算会占用更多CPU资源，适合在多核服务器上使用。

内容的提问来源于stack exchange，提问作者Philip Kahn