如何基于GPS坐标匹配地理空间数据？多设备特征合并（R/Python）

我有来自设备A、B、C的多组数据，格式分别如下：

设备A数据（Table 1）

Longtitude Latitude Feature1 Feature2 Feature3
XX.xxx     XX.xxx   10.00    20.00    30.00   
---
更多行数据

设备B数据（Table 2）

Longtitude Latitude Feature3 Feature4 Feature5
XX.xxx     XX.xxx   1.00    2.00    3.00    
---
更多行数据

设备C数据（Table 3）

Longtitude Latitude FeatureX FeatureY
XX.xxx     XX.xxx   5        6
---
更多行数据

我需要生成一张整合所有特征的表格，以每个位置的最近匹配记录为准，用于回归分析。预期输出格式：

Feature1 Feature2 Feature3 Feature3 Feature4 Feature5 FeatureX FeatureY
10.00    20.00    30.00    1.00     2.00     3.00     5        6
---
更多行数据

Python实现方案 #

步骤说明 #

1. 读取各设备的空格分隔文本数据
2. 用KD树实现高效的经纬度近邻匹配（以设备A的位置为基准，匹配B、C的最近点）
3. 合并所有特征列，去除重复的经纬度字段

代码示例 #

import pandas as pd
from scipy.spatial import cKDTree

# 1. 读取数据（替换为你的实际文件路径）
df_a = pd.read_csv("device_a.txt", sep=r"\s+")
df_b = pd.read_csv("device_b.txt", sep=r"\s+")
df_c = pd.read_csv("device_c.txt", sep=r"\s+")

# 2. 提取经纬度坐标，构建KD树查找最近邻
coords_a = df_a[["Longtitude", "Latitude"]].values
coords_b = df_b[["Longtitude", "Latitude"]].values
coords_c = df_c[["Longtitude", "Latitude"]].values

# 匹配设备B到A的最近点
tree_b = cKDTree(coords_b)
_, idx_b = tree_b.query(coords_a, k=1)
df_b_matched = df_b.iloc[idx_b].reset_index(drop=True)

# 匹配设备C到A的最近点
tree_c = cKDTree(coords_c)
_, idx_c = tree_c.query(coords_a, k=1)
df_c_matched = df_c.iloc[idx_c].reset_index(drop=True)

# 3. 合并特征列，重命名重复的Feature3列避免冲突
merged_df = pd.concat([
    df_a.drop(["Longtitude", "Latitude"], axis=1),
    df_b_matched.drop(["Longtitude", "Latitude"], axis=1),
    df_c_matched.drop(["Longtitude", "Latitude"], axis=1)
], axis=1)
merged_df.columns = ["Feature1", "Feature2", "Feature3_A", "Feature3_B", "Feature4", "Feature5", "FeatureX", "FeatureY"]

# 保存结果
merged_df.to_csv("merged_features.txt", sep="\t", index=False)

R实现方案 #

步骤说明 #

1. 读取各设备数据并转换为空间对象
2. 用空间近邻匹配工具找到每个A位置对应的B、C最近点
3. 合并特征列并输出结果

代码示例 #

library(tidyverse)
library(sf)
library(nngeo)

# 1. 读取数据（替换为你的实际文件路径）
df_a <- read_delim("device_a.txt", delim = " ", trim_ws = TRUE)
df_b <- read_delim("device_b.txt", delim = " ", trim_ws = TRUE)
df_c <- read_delim("device_c.txt", delim = " ", trim_ws = TRUE)

# 转换为WGS84坐标系的空间对象
sf_a <- st_as_sf(df_a, coords = c("Longtitude", "Latitude"), crs = 4326)
sf_b <- st_as_sf(df_b, coords = c("Longtitude", "Latitude"), crs = 4326)
sf_c <- st_as_sf(df_c, coords = c("Longtitude", "Latitude"), crs = 4326)

# 2. 查找最近邻并匹配数据
nn_b <- st_nn(sf_a, sf_b, k = 1, returnDist = FALSE)
df_b_matched <- df_b[unlist(nn_b), ] %>% reset_index(drop = TRUE)

nn_c <- st_nn(sf_a, sf_c, k = 1, returnDist = FALSE)
df_c_matched <- df_c[unlist(nn_c), ] %>% reset_index(drop = TRUE)

# 3. 合并特征列，重命名重复列
merged_df <- bind_cols(
  df_a %>% select(-Longtitude, -Latitude),
  df_b_matched %>% select(-Longtitude, -Latitude),
  df_c_matched %>% select(-Longtitude, -Latitude)
)
colnames(merged_df) <- c("Feature1", "Feature2", "Feature3_A", "Feature3_B", "Feature4", "Feature5", "FeatureX", "FeatureY")

# 保存结果
write_delim(merged_df, "merged_features.txt", delim = "\t")

内容的提问来源于stack exchange，提问作者Wenyao Leo