如何计算GeoPandas中两个点GeoDataFrame的所有点间距离？

我来帮你搞定这个计算所有点对距离的问题！你遇到的情况很典型：gdf_1.distance(gdf_2)是按索引对齐来计算元素级距离的，当两个GeoDataFrame长度不同、索引不匹配时，就会出现NaN值和警告，它只处理同索引的点对，完全不是我们要的所有组合。下面给你几种实用的解决方案：

方法1：生成笛卡尔积（所有点对组合） #

这种方法最直观，能直接得到所有点对的索引组合和对应的距离，适合中等规模的数据：

import geopandas as gpd
import pandas as pd

# 你的测试数据
gdf_1 = gpd.GeoDataFrame(geometry=gpd.points_from_xy([0, 0, 0], [0, 90, 120]))
gdf_2 = gpd.GeoDataFrame(geometry=gpd.points_from_xy([0, 0], [0, -90]))

# 给两个GeoDataFrame添加唯一标识列（方便后续对应点对）
gdf_1['id1'] = gdf_1.index
gdf_2['id2'] = gdf_2.index

# 生成所有点对的笛卡尔积（cross join）
cross_pairs = gdf_1.merge(gdf_2, how='cross')

# 计算每一对点的距离
cross_pairs['distance'] = cross_pairs.apply(lambda row: row['geometry_x'].distance(row['geometry_y']), axis=1)

# 查看结果（只保留关键列）
print(cross_pairs[['id1', 'id2', 'distance']])

运行后会输出6行结果（3×2的所有组合），每一行对应gdf_1的一个点和gdf_2的一个点的距离，完全没有NaN。

方法2：用apply生成距离矩阵 #

如果需要以矩阵形式展示距离（行是gdf_1的点，列是gdf_2的点），可以用apply来实现：

# 对gdf_1中的每个点，计算它到gdf_2所有点的距离
distance_matrix = gdf_1.geometry.apply(lambda point: gdf_2.geometry.distance(point))

# 转换为更易读的DataFrame格式
distance_df = pd.DataFrame(distance_matrix.to_list(), index=gdf_1.index, columns=gdf_2.index)
print(distance_df)

这个结果是一个3行2列的矩阵，每个单元格的值就是对应点对的距离，适合需要矩阵分析的场景。

方法3：大数据量下的高效方案 #

如果你的GeoDataFrame包含成百上千个点，上面两种方法的效率会下降，这时候可以用numpy+scipy的向量化运算来提速：

import numpy as np
from scipy.spatial.distance import cdist

# 提取两个GeoDataFrame中点的坐标数组
coords1 = np.array([(p.x, p.y) for p in gdf_1.geometry])
coords2 = np.array([(p.x, p.y) for p in gdf_2.geometry])

# 计算所有点对的距离（向量化运算，速度极快）
distance_matrix = cdist(coords1, coords2)

# 转换为DataFrame
distance_df = pd.DataFrame(distance_matrix, index=gdf_1.index, columns=gdf_2.index)
print(distance_df)

这种方法基于底层的numpy运算，比apply快几个数量级，非常适合处理大规模数据。

内容的提问来源于stack exchange，提问作者Léonard