德国邮政编码的最近邻匹配与距离计算技术需求问询

需求说明 #

我有两个不同长度的德国邮政编码（PLZ）数据集，都包含经度（lon）和纬度（lat）信息。需要给第一个数据集中的每个邮政编码，在第二个数据集中找到对应的最近邻邮政编码，同时要拿到两者的距离数值，以及匹配到的目标邮政编码。

之前试过暴力计算所有200万种组合（10000个起点×200个终点），用geosphere包或者Google Maps工具算距离再筛最小值，但效率太低。现在打算用最近邻搜索算法，已经知道R语言的RANN包里的nn2()函数可以搞定，设置searchtype = "priority"就行，不用radius模式。

数据集示例 #

起点数据集（部分样本） #

plz       city             lon             lat
1 69115 Heidelberg 8.6934499740601 49.406078338623
2 44137   Dortmund       7.4582135      51.5143952
3 70178  Stuttgart         9.17115        48.77426
4 68159   Mannheim 8.4696736826668 49.491940248873
5 68167   Mannheim       8.4971965      49.5038859

目标数据集（部分样本） #

plz            city       lon        lat
1 76530     Baden-Baden 8.2423068 48.7438178
2 89081             Ulm  9.961367 48.4253282
3 69120      Heidelberg 8.6752461 49.4225417
4 72076        Tübingen 9.0406256 48.5312051
5 74523 Schwäbisch-Hall 9.7424451 49.1247435

具体实现步骤 #

1. 安装并加载依赖包 #

# 首次运行先装包
install.packages(c("RANN", "dplyr"))

# 加载需要的包
library(RANN)
library(dplyr)

2. 预处理数据 #

先确保两个数据集的经纬度列是数值型，避免后续报错：

# 转换经纬度为数值类型（如果原始数据是字符格式）
df_start <- df_start %>% mutate(across(c(lon, lat), as.numeric))
df_target <- df_target %>% mutate(across(c(lon, lat), as.numeric))

3. 执行最近邻搜索 #

提取经纬度矩阵，用nn2()找每个起点的最近邻：

# 提取经纬度数据转成矩阵
start_coords <- df_start %>% select(lon, lat) %>% as.matrix()
target_coords <- df_target %>% select(lon, lat) %>% as.matrix()

# 运行最近邻搜索，k=1表示只找最近的1个
nn_result <- nn2(data = target_coords, query = start_coords, k = 1, searchtype = "priority")

4. 合并结果到原数据 #

把匹配到的目标PLZ和距离加到起点数据集里：

# 把最近邻的PLZ和距离赋值给原数据集
df_start$nearest_plz <- df_target$plz[nn_result$nn.idx[,1]]
df_start$euclidean_distance <- nn_result$nn.dists[,1]

# 查看结果
head(df_start)

补充：计算真实地理距离 #

如果需要更精准的球面距离（比如米为单位），可以用geosphere包在找到最近邻后计算：

# 安装并加载geosphere
install.packages("geosphere")
library(geosphere)

# 计算哈维正弦距离（单位：米）
df_start$geo_distance <- apply(df_start, 1, function(row) {
  target_row <- df_target[df_target$plz == row["nearest_plz"], ]
  distHaversine(c(row["lon"], row["lat"]), c(target_row$lon, target_row$lat))
})

内容的提问来源于stack exchange，提问作者Marco