如何基于经纬度条件将字典中的城市数据合并至Pandas DataFrame

当然可以基于经纬度的近似匹配，把城市名合并到你的DataFrame中，下面是两种实用的方法：

方法一：四舍五入后精确合并（高效简洁） #

先将城市坐标字典转换为DataFrame，再对经纬度做四舍五入处理，最后通过四舍五入后的经纬度字段合并：

import pandas as pd

# 你的城市坐标字典
city_coords = {
    'Rosario': [-60.63932, -32.946819],
    'Concordia': [-74.448212, 40.31094],
    'Avellaneda': [-58.367439, -34.660179],
    'Corrientes': [-58.834099, -27.4806],
    'Caballito': [-58.44104, -34.622639],
    'Buenos Aires': [-78.497498, -9.12417],
    'Paraná': [-60.5238, -31.73197],
    'Santa Fé': [-78.14917, 8.65194],
    'San Carlos de Bariloche': [-71.30822, -41.145569],
    'Mendoza': [-68.827171, -32.890839]
}

# 将字典转为DataFrame，整理列名
city_df = pd.DataFrame.from_dict(city_coords, orient='index', columns=['lon', 'lat'])
city_df = city_df.reset_index().rename(columns={'index': 'city'})

# 假设你的原始DataFrame名为df
# 对经纬度四舍五入到4位小数（匹配你的示例精度）
city_df['lon_round'] = city_df['lon'].round(4)
city_df['lat_round'] = city_df['lat'].round(4)
df['lon_round'] = df['lon'].round(4)
df['lat_round'] = df['lat'].round(4)

# 合并数据
merged_df = df.merge(city_df[['city', 'lon_round', 'lat_round']], 
                     on=['lon_round', 'lat_round'], 
                     how='left')

# 删除临时的四舍五入列
merged_df = merged_df.drop(['lon_round', 'lat_round'], axis=1)

方法二：基于容差的近似匹配（灵活可控） #

如果需要更灵活的精度控制，可以用numpy.isclose设置绝对容差，逐行匹配城市：

import pandas as pd
import numpy as np

# 你的城市坐标字典和原始DataFrame（同上）

def match_city(row):
    for city, (target_lon, target_lat) in city_coords.items():
        # 设置容差为0.0001，可根据实际情况调整
        if np.isclose(row['lon'], target_lon, atol=1e-4) and np.isclose(row['lat'], target_lat, atol=1e-4):
            return city
    return None

# 添加城市列
df['city'] = df.apply(match_city, axis=1)

说明 #

• 方法一适合数据量较大的场景，合并效率更高；
• 方法二可以通过调整atol参数（绝对容差）来适配不同的近似精度需求；
• 因为你提到DataFrame仅包含字典中存在的坐标，所以两种方法都能得到完整的城市匹配结果。

内容的提问来源于stack exchange，提问作者Tomás Jullier