Geopandas如何循环对GeoDataFrame内相邻多边形依次做差集运算

你现有单对多边形的差集逻辑是正确的，不需要用iterrows()实现循环——iterrows()逐行序列化几何对象的开销极高，大数据量下性能很差，以下两种方案按效率优先排序：

方案1：向量化运算（推荐，十万级要素场景速度比循环快数十倍） #

直接利用GeoSeries内置的向量化difference方法配对相邻要素，避免逐次切片GeoDataFrame、重复执行overlay的额外开销：

import geopandas as gpd
import pandas as pd

# 前置校验：确保坐标系一致、几何合法、要素顺序为你需要的相邻顺序
polygon = polygon.make_valid().reset_index(drop=True)  # 修复拓扑错误，重置索引避免错位

# 配对相邻几何：第0~n-2个为被减对象，第1~n-1个为待减去的对象
geom_left = polygon.geometry.iloc[:-1]
geom_right = polygon.geometry.iloc[1:]

# 批量执行差集，align=False关闭索引对齐，直接按位置配对运算
diff_geoms = geom_left.difference(geom_right, align=False)

# 组装新GeoDataFrame，默认保留左侧（前序多边形）的所有属性
new_gdf = gpd.GeoDataFrame(
    data=polygon.iloc[:-1].drop(columns="geometry").reset_index(drop=True),
    geometry=diff_geoms.reset_index(drop=True),
    crs=polygon.crs
)

# 可选：过滤差集运算产生的空几何
new_gdf = new_gdf[~new_gdf.is_empty].reset_index(drop=True)

方案2：显式循环（适配需要保留overlay全特性的场景） #

如果你必须使用overlay方法的属性处理逻辑，用位置索引配对后逐对运算，最后一次性拼接结果即可，性能远高于iterrows()写法：

diff_list = []
# 遍历到倒数第二个要素即可，每轮和后一位要素配对
for idx in range(len(polygon) - 1):
    pair_diff = polygon.iloc[idx:idx+1].overlay(
        polygon.iloc[idx+1:idx+2],
        how="difference",
        keep_geom_type=True  # 避免返回混合几何类型
    )
    diff_list.append(pair_diff)

# 拼接所有结果为最终GeoDataFrame
new_gdf = gpd.GeoDataFrame(
    pd.concat(diff_list, ignore_index=True),
    crs=polygon.crs
)

注意事项 #

• 运算前必须确认所有要素的坐标系完全一致，否则差集结果会完全错位
• 若你的相邻配对不是按当前表顺序排列，先执行排序：polygon = polygon.sort_values("你的排序字段").reset_index(drop=True)
• 不要用iterrows()遍历几何对象：该方法会将每行转换为普通Series，几何类型的序列化/反序列化开销会随数据量增长指数级上升

内容的提问来源于stack exchange，提问作者Raina Monaghan