如何在Python中对含经纬度的数据集实现最近邻地理聚类？

核心注意点 #

地理坐标是球面坐标，不能直接用欧氏距离计算，必须采用球面距离度量（如Haversine公式）或转换为平面投影坐标系后计算，否则会产生较大误差。

具体实现方案 #

方案1：scikit-learn + 自定义球面距离（中小数据集） #

适合数据量不大的场景，用自定义Haversine距离配合聚类算法：

第一步：实现Haversine距离计算

import numpy as np

def haversine_distance(latlon1, latlon2):
    # 经纬度转弧度
    lat1, lon1 = np.radians(latlon1)
    lat2, lon2 = np.radians(latlon2)
    
    # Haversine公式计算球面距离（单位：千米）
    dlat = lat2 - lat1
    dlon = lon2 - lon1
    a = np.sin(dlat/2)**2 + np.cos(lat1) * np.cos(lat2) * np.sin(dlon/2)**2
    c = 2 * np.arcsin(np.sqrt(a))
    earth_radius = 6371  # 地球平均半径（千米）
    return c * earth_radius

第二步：用DBSCAN做密度聚类（最近邻聚集）

from sklearn.cluster import DBSCAN
from sklearn.preprocessing import StandardScaler
import pandas as pd

# 假设你的数据集是df，包含latitude/longitude/population列
coords = df[['latitude', 'longitude']].values
# 标准化坐标（DBSCAN对尺度敏感）
coords_scaled = StandardScaler().fit_transform(coords)

# 聚类：eps=2表示聚类内点的最大距离为2千米，min_samples=2表示聚类最少包含2个点
db = DBSCAN(eps=2, min_samples=2, metric=haversine_distance)
df['cluster_id'] = db.fit_predict(coords_scaled)

方案2：地理空间库（geopandas+pysal）（大数据集） #

数据量较大时，用专业地理库效率更高，先转投影坐标系再计算平面距离：

import geopandas as gpd
from shapely.geometry import Point
from pysal.cluster import KMeans

# 1. 转换为GeoDataFrame（WGS84坐标系）
geometry = [Point(xy) for xy in zip(df['longitude'], df['latitude'])]
gdf = gpd.GeoDataFrame(df, geometry=geometry, crs="EPSG:4326")

# 2. 转换为UTM投影坐标系（将球面坐标转平面，距离计算更准确高效）
gdf_proj = gdf.to_crs(gdf.estimate_utm_crs())

# 3. 用加权K-Means聚类（可加入人口权重）
# 若要加权，可设置weights参数为df['population']
model = KMeans(n_clusters=5)  # 指定聚类数量
gdf_proj['cluster_id'] = model.fit_predict(gdf_proj[['geometry.x', 'geometry.y']])

# 4. 转回原WGS84坐标系
gdf = gdf_proj.to_crs("EPSG:4326")

方案3：BallTree快速查询最近邻 #

如果只需要查询每个点的最近邻而非聚类，用BallTree更高效：

from sklearn.neighbors import BallTree

# 经纬度转弧度
coords_rad = np.radians(df[['latitude', 'longitude']].values)
# 构建BallTree，使用haversine度量
tree = BallTree(coords_rad, metric='haversine')

# 查询每个点的前2个最近邻（排除自身）
distances, indices = tree.query(coords_rad, k=2)
# 距离转换为千米
distances = distances * 6371

可选：聚类结果可视化 #

用folium生成交互式地图验证结果：

import folium

# 生成地图
m = folium.Map(location=[df['latitude'].mean(), df['longitude'].mean()], zoom_start=10)

# 给不同聚类点上色
colors = ['red', 'blue', 'green', 'purple', 'orange']
for _, row in gdf.iterrows():
    folium.CircleMarker(
        location=[row['latitude'], row['longitude']],
        radius=5,
        color=colors[row['cluster_id'] % len(colors)],
        fill=True,
        fill_color=colors[row['cluster_id'] % len(colors)]
    ).add_to(m)

# 保存地图
m.save('cluster_result.html')

内容的提问来源于stack exchange，提问作者Ashwin Sarath