Python按几何条件合并点面GeoDataFrame的高效实现方法

你可以直接使用GeoPandas内置的空间连接sjoin实现该需求，该方法底层基于R树空间索引优化，5万点+5万面的匹配量级仅需数秒即可完成，无需手动逐行判断几何关系。

实现步骤 #

1. 首先确认两个GeoDataFrame坐标系完全一致，避免几何匹配错误
2. 调用gpd.sjoin做左连接，保留所有点要素记录，匹配条件设置为点在面内
3. 按点的唯一标识分组，将匹配到的多面字段聚合为列表格式

完整示例代码 #

import geopandas as gpd
from shapely.geometry import Point, Polygon

# 示例数据构造
_polygons = [ Polygon([(5, 5), (5, 13), (13, 13), (13, 5)]), Polygon([(10, 10), (10, 15), (15, 15), (15, 10)]) ]
_pnts = [Point(3, 3), Point(8, 8), Point(11, 11)]
df_polygons = gpd.GeoDataFrame(geometry=_polygons, index=['foo', 'bar']).reset_index()
df_points = gpd.GeoDataFrame(geometry=_pnts, index=['A', 'B', 'C']).reset_index()

# 1. 空间左连接，保留所有点记录，匹配条件为点在面内
joined = gpd.sjoin(
    df_points, 
    df_polygons, 
    how='left', 
    predicate='within', 
    lsuffix='_points', 
    rsuffix='_polygons'
)

# 2. 按点的唯一标识分组，聚合匹配到的多面数据为列表
result = joined.groupby('index_points', as_index=False).agg(
    geometry_points=('geometry', 'first'),
    geometry_index=('index_polygons', lambda x: x.dropna().tolist()),
    geometry_polygons=('geometry_polygons', lambda x: x.dropna().tolist())
).rename(columns={'index_points': 'index'})

# 输出结果验证
print(result)

性能优化建议 #

• 建议使用GeoPandas 1.0+版本，搭配Shapely 2.0的向量化几何操作，性能比旧版本提升3-10倍
• 若无需保留面要素的所有字段，可提前对df_polygons做字段裁剪，仅保留需要关联的字段+几何列，减少内存开销
• 坐标系一致的前提下无需手动创建空间索引，sjoin会自动为面要素构建R树索引加速匹配

内容的提问来源于stack exchange，提问作者jjdblast