基于Pandas的距离计算、按范围过滤及数值汇总问题求助

你已经生成了全量距离矩阵的前提下，用向量化矩阵运算就能直接得到结果，不需要遍历任何列表，代码非常简洁：

实现步骤 #

1. 首先构建ID到数值的映射序列，方便后续匹配求和

# 生成ID与NumberValue的对应关系
value_map = df_latlongs.set_index('IDVALUE')['NumberValue']

2. 按你需要的距离区间生成掩码矩阵，符合区间要求的位置标记为1，否则为0

注：你的预期输出里>100m应该是笔误，这里默认按你描述的三个区间调整为 <500m/500-1000m/>1000m，可自行修改阈值

# 三个区间的布尔掩码，距离单位为千米
mask_lt500 = (latlong_df < 0.5).astype(int)
mask_500_1000 = ((latlong_df >= 0.5) & (latlong_df < 1)).astype(int)
mask_gt1000 = (latlong_df >= 1).astype(int)

3. 直接用掩码矩阵和数值序列做点积运算，一步得到每个ID对应区间的总和

# 生成结果表
result_df = pd.DataFrame({
    'IDVALUE': latlong_df.index,
    '<500m': mask_lt500.dot(value_map),
    '500-1000m': mask_500_1000.dot(value_map),
    '>1000m': mask_gt1000.dot(value_map)
}).reset_index(drop=True)

4. 如果需要关联回原始数据集的经纬度等字段，直接合并即可

final_df = df_latlongs.merge(result_df, on='IDVALUE', how='left')

方案优势 #

全程无循环、无中间冗余列表生成，完全基于pandas和numpy的向量化运算，哪怕是上万级别的点数据，运算效率也远高于遍历匹配的方案。如果后续需要调整距离区间，只需要修改掩码的阈值即可，无需修改整体逻辑。

内容的提问来源于stack exchange，提问作者Nhyi