将点分配至最近多边形：缓冲区相交归属歧义问题求解

最优方案：最近距离归属法 #

该方案完全匹配需求，可自动将点分配给距离最近的目标几何，解决缓冲区重叠导致的归属歧义，实现逻辑如下：

1. 对空间连接后的结果，关联每个匹配对对应的点几何与原目标几何
2. 计算每个点到对应目标几何的实际距离
3. 按点索引分组，保留每个点距离最小的匹配记录
   代码实现：

# 关联点几何到匹配结果表
df = df.merge(envgdf2, left_on='index_right', right_index=True)
# 矢量化计算点到目标几何的实际距离，效率远高于逐行apply
df['distance_to_object'] = df['Object'].distance(df['Point'], align=False)
# 按点索引分组，保留每个点距离最近的匹配结果
df_final = df.sort_values('distance_to_object', ascending=True).groupby('index_right').first().reset_index()
# 可选：删除辅助计算用的冗余列
df_final = df_final.drop(columns=['Point', 'distance_to_object'])

处理后df_final中每个点仅对应一条匹配记录，无归属歧义。

其他可选方案 #

• 方案1：仅保留无歧义匹配结果
  适合对匹配准确性要求极高、可接受部分点无归属的场景，直接过滤掉出现多次匹配的点即可：

  # 统计每个点的匹配次数
  point_match_cnt = df['index_right'].value_counts()
  # 仅保留匹配次数为1的无歧义记录
  df_filtered = df[df['index_right'].isin(point_match_cnt[point_match_cnt == 1].index)]
  

• 方案2：优化缓冲区参数
  根据点的实际偏移量统计结果缩小缓冲区半径，从源头减少缓冲区重叠的概率，缺点是可能漏掉部分离边界较远的点。
• 方案3：Voronoi多边形划分归属区
  基于所有目标几何的特征点生成Voronoi图，每个目标几何对应专属的Voronoi分区，点落在哪个分区就归属对应几何，适合几何分布均匀的场景。

内容的提问来源于stack exchange，提问作者Serge de Gosson de Varennes