如何用dplyr正确计算多地点地理距离矩阵？

问题原因分析 #

你遇到的批量与单独计算结果不一致的问题，大概率是以下两种情况导致：

1. 坐标顺序错误：geosphere::distHaversine要求输入坐标为经度在前，纬度在后的矩阵/数据框，若颠倒顺序（先纬度后经度），会导致距离计算完全错误；
2. 分组时匹配错误：使用dplyr分组时，未正确提取当前组对应bird_ID的平均经纬度，误使用全局值或其他组的均值，导致批量计算时匹配混乱。

正确实现方案 #

前提假设 #

• dt包含字段：bird_ID（鸟类ID）、lon（GPS点经度）、lat（GPS点纬度）；
• locations包含字段：bird_ID、mean_lon（对应鸟类平均经度）、mean_lat（对应鸟类平均纬度）。

方法1：合并数据后计算（推荐，直观不易出错） #

先将dt与locations按bird_ID合并，确保每个GPS点都绑定对应鸟类的平均坐标，再批量计算距离：

library(dplyr)
library(geosphere)

# 合并数据，匹配每个GPS点对应的平均经纬度
dt_with_mean <- dt %>%
  left_join(locations, by = "bird_ID")

# 计算每个点到平均位置的距离（单位：米）
dt_with_distance <- dt_with_mean %>%
  mutate(
    distance = distHaversine(
      p1 = cbind(lon, lat),       # GPS点坐标矩阵：每行是（经度, 纬度）
      p2 = cbind(mean_lon, mean_lat)  # 对应鸟类的平均坐标矩阵
    )
  )

方法2：分组计算（适合不想合并数据的场景） #

如果坚持用分组方式，需确保在每个分组内精准提取当前bird_ID的平均坐标：

dt_with_distance <- dt %>%
  group_by(bird_ID) %>%
  mutate(
    # 提取当前组对应的平均经纬度
    current_mean_lon = locations$mean_lon[locations$bird_ID == cur_group()$bird_ID],
    current_mean_lat = locations$mean_lat[locations$bird_ID == cur_group()$bird_ID],
    # 计算距离
    distance = distHaversine(
      cbind(lon, lat),
      cbind(current_mean_lon, current_mean_lat)
    )
  ) %>%
  ungroup()

验证结果 #

取单个bird_ID验证，确保批量计算结果一致：

# 单独计算bird_ID="A"的第一个GPS点到平均位置的距离
single_distance <- distHaversine(
  p1 = c(dt$lon[dt$bird_ID == "A"][1], dt$lat[dt$bird_ID == "A"][1]),
  p2 = c(locations$mean_lon[locations$bird_ID == "A"], locations$mean_lat[locations$bird_ID == "A"])
)

# 对比批量计算中对应的值，应该完全相等
single_distance == dt_with_distance$distance[dt_with_distance$bird_ID == "A"][1]

内容的提问来源于stack exchange，提问作者helianthus