查找同一GeoDataFrame内每个点指定半径范围内所有点的方法

直接通过缓冲区构造+空间连接的方式即可一次性拿到每个点半径范围内的所有邻点，不需要绕最近邻逻辑，具体实现步骤如下：

• 首先基于原始点图层生成指定半径的缓冲区图层，作为空间匹配的查询范围
• 通过空间左连接，把所有落在缓冲区内的点匹配到对应原始点，剔除匹配到自身的记录
• 将匹配到的邻点按所属原始点分组编号，透转为宽表结构后和原始GeoDataFrame合并，即可得到要求的列结构

完整实现代码 #

import geopandas as gpd
from shapely.geometry import Point
import pandas as pd

# 原始示例数据
df = gpd.GeoDataFrame([[0, 'A', Point(10,12)], 
                       [1, 'B', Point(14,8)],
                       [2, 'C', Point(100,2)],
                       [3, 'D' ,Point(20,10)]], 
                      columns=['ID','Value','geometry'],
                      crs="EPSG:3857") # 替换为你数据实际的投影坐标系，单位需和半径单位一致

search_radius = 10 # 自定义搜索半径

# 生成每个点的搜索缓冲区
buffer_gdf = df.copy()
buffer_gdf['geometry'] = buffer_gdf.geometry.buffer(search_radius)

# 空间连接匹配所有落在缓冲区内的邻点
join_result = gpd.sjoin(
    left_df=buffer_gdf,
    right_df=df[["Value", "geometry"]],
    how="left",
    predicate="contains",
    rsuffix="_neigh"
)

# 剔除匹配到点自身的记录
join_result = join_result[join_result["ID"] != join_result["index_right"]].reset_index(drop=True)

# 为每个点匹配到的邻点添加序号
join_result["neigh_seq"] = join_result.groupby("ID").cumcount() + 1

# 透转为宽表，生成要求的列结构
val_col = join_result.pivot(
    index="ID", columns="neigh_seq", values="Value_neigh"
).add_prefix("value_of_point_in_range_")
geom_col = join_result.pivot(
    index="ID", columns="neigh_seq", values="geometry_neigh"
).add_prefix("geometry_of_point_in_range_")
neigh_table = pd.concat([val_col, geom_col], axis=1).sort_index(axis=1)

# 和原始数据合并得到最终结果
final_gdf = df.merge(neigh_table, on="ID", how="left")

结果说明 #

针对你提供的示例数据，运行后结果匹配逻辑为：

• ID为0的A点半径10范围内仅存在B点，会填充1组邻点字段
• ID为1的B点半径10范围内存在A、D两个点，会填充2组邻点字段
• ID为2的C点半径10范围内无其他点，邻点字段为空值
• ID为3的D点半径10范围内仅存在B点，会填充1组邻点字段

注意事项：如果你的原始数据是WGS84经纬度坐标系（EPSG:4326），不要直接用经纬度做缓冲区，需先转换为对应研究区的投影坐标系（单位为米/千米等长度单位）再计算半径，否则距离单位为度，查询结果会完全错误。

该方法是空间邻域查询的标准实现，相比逐点循环计算距离、固定数量最近邻筛选的方案，在数据量较大时运行效率有明显优势，且天然支持每个点邻点数量不固定的场景。

内容的提问来源于stack exchange，提问作者Obst