基于Haversine公式生成500×500距离矩阵并匹配最近仓库

没问题，我帮你搞定这个基于Haversine公式的距离计算和仓库匹配需求！下面是完整的可运行代码和步骤说明，直接套用你的coordinate.csv就能用：

1. 依赖库准备 #

先确保你装了pandas和numpy，没装的话先跑这条命令：

pip install pandas numpy

2. 读取坐标数据 #

假设你的coordinate.csv是这种结构（对应你提供的10条示例数据格式）：

用Pandas读取数据：

import pandas as pd
import numpy as np

# 读取坐标文件
df = pd.read_csv('coordinate.csv')

3. 实现Haversine公式 #

这个公式专门用来计算地球表面两点的球面距离，精度很高，适合地理坐标的距离计算：

def haversine(lat1, lon1, lat2, lon2):
    # 把角度转成弧度（numpy三角函数默认用弧度计算）
    lat1, lon1, lat2, lon2 = map(np.radians, [lat1, lon1, lat2, lon2])
    
    # Haversine核心计算逻辑
    dlat = lat2 - lat1
    dlon = lon2 - lon1
    a = np.sin(dlat/2)**2 + np.cos(lat1) * np.cos(lat2) * np.sin(dlon/2)**2
    c = 2 * np.arcsin(np.sqrt(a))
    
    # 地球平均半径（单位：公里，要算英里的话换成3956）
    r = 6371
    return c * r

4. 生成500×500距离矩阵 #

用numpy的广播机制批量计算，比循环效率高太多，适合处理500个地点的规模：

# 提取所有地点的经纬度数组
latitudes = df['latitude'].values
longitudes = df['longitude'].values

# 初始化距离矩阵
distance_matrix = np.zeros((len(df), len(df)))
for i in range(len(df)):
    # 一次性计算当前地点到所有其他地点的距离
    distance_matrix[i] = haversine(latitudes[i], longitudes[i], latitudes, longitudes)

# 转成带地点名称的DataFrame，方便查看和保存
distance_matrix_df = pd.DataFrame(
    distance_matrix,
    index=df['name'],
    columns=df['name']
)

# 可选：把距离矩阵保存到本地文件
distance_matrix_df.to_csv('distance_matrix.csv')

5. 为客户匹配最近仓库 #

先拆分仓库和客户数据，再逐个计算客户到所有仓库的距离，取最小值对应的仓库：

# 分离仓库和客户数据集
warehouses = df[df['type'] == 'warehouse']
customers = df[df['type'] == 'customer']

# 初始化结果列表
match_results = []

for _, customer in customers.iterrows():
    # 计算当前客户到所有仓库的距离
    distances = haversine(
        customer['latitude'], customer['longitude'],
        warehouses['latitude'].values, warehouses['longitude'].values
    )
    # 找到距离最小的仓库索引
    min_idx = np.argmin(distances)
    # 提取最近仓库的名称和距离值
    nearest_warehouse = warehouses.iloc[min_idx]['name']
    min_distance = round(distances[min_idx], 2)  # 保留两位小数
    
    match_results.append({
        'customer_name': customer['name'],
        'nearest_warehouse': nearest_warehouse,
        'distance_km': min_distance
    })

# 转成DataFrame格式的匹配结果
match_results_df = pd.DataFrame(match_results)

# 可选：保存匹配结果到本地文件
match_results_df.to_csv('customer_warehouse_matches.csv', index=False)

6. 查看结果 #

运行完代码后，你可以直接打印查看输出：

# 查看距离矩阵的前5行5列
print("距离矩阵（前5×5预览）：")
print(distance_matrix_df.head())

# 查看客户-仓库匹配结果
print("\n客户-仓库匹配结果：")
print(match_results_df.head())

要是你的coordinate.csv字段名和示例不一样，稍微调整代码里的列名就行，比如把type换成category之类的。

内容的提问来源于stack exchange，提问作者belle