Python中Geocoder运行过慢，批量经纬度逆地理编码该如何优化？

以下是可直接落地的优化方案，按优先级从高到低排列：

• 优先对重复经纬度去重后再匹配
  大部分业务数据集里存在大量重复的经纬度记录，无需每行都发起查询请求。可先提取所有唯一经纬度组合，查询得到「经纬度-城市省份国家」的映射表后，再关联回原数据集即可，可减少90%以上的请求量。参考实现逻辑：

  # 提取唯一经纬度
  unique_coords = ddf_slice[['latitude', 'longitude']].drop_duplicates().compute()
  # 仅给唯一坐标做逆编码得到映射表
  mapping = unique_coords.apply(city_state_country, axis=1)
  # 映射回原数据集
  ddf_slice = ddf_slice.merge(mapping, on=['latitude', 'longitude'], how='left')
  

• 替换在线API为本地离线逆编码库（核心提速方案）
  你当前使用的Nominatim是在线服务，受网络延迟、平台限流约束，数据量极大的场景下必然耗时极长。改用离线库可将匹配速度提升上千倍：
  1. 轻量场景可使用reverse_geocoder，内置全球城市级行政数据，无需额外下载文件，支持批量输入坐标，调用示例：

  import reverse_geocoder as rg
  # 批量提取坐标
  coords = list(zip(ddf_slice['latitude'], ddf_slice['longitude']))
  # 全量离线匹配，百万条数据可在数秒内完成
  res = rg.search(coords)
  # 解析结果
  ddf_slice['city'] = [x['name'] for x in res]
  ddf_slice['state'] = [x['admin1'] for x in res]
  ddf_slice['country'] = [x['cc'] for x in res]
  

  2. 有自定义精度需求的场景可使用geopandas加载本地行政边界shp文件，通过空间连接批量匹配，可自行控制行政区域的精度和范围。
• 优化并行配置提升资源利用率
  你当前使用的Dask框架如果没有配置合理的并行参数，效率会很低：
  1. 调整Dask数据集分区数，每个分区大小控制在100-500M，避免分区过多的调度开销或分区过少的并行不足问题
  2. 若仍需使用在线API，可改用多线程请求适配IO密集型任务的特性，注意控制请求频率避免被服务方封禁IP
• 降低坐标精度减少匹配量
  仅匹配城市、省份的场景下，经纬度保留4位小数（对应约100米精度）即可满足需求，可进一步提升去重后的唯一坐标数量，减少匹配次数。

内容的提问来源于stack exchange，提问作者Isabel Santoro