基于Python的OSMnx库查找距离边指定范围的最近点

嘿，我来帮你搞定这个需求！咱们一步步拆解，结合OSMnx和Shapely就能轻松实现你要的功能——把经纬度点关联到指定边，筛选出半径范围内的点，还能可视化统计。

核心思路 #

你提到已知边连接的节点经纬度，那这条边其实就是两个节点之间的线段（OSMnx里用LineString几何对象表示）。我们需要：

1. 用节点坐标创建边的几何对象
2. 计算每个点到这条边的距离（转成米为单位更准确）
3. 筛选出半径范围内的点并统计数量
4. 可视化绘制边、点和半径圆

步骤1：创建边的几何对象 #

首先，把已知的两个节点经纬度转换成Shapely的LineString。注意Shapely的坐标顺序是**(经度, 纬度)**，和我们常用的(lat, lon)反过来，别搞混了！

from shapely.geometry import LineString

# 替换成你实际的节点经纬度
node1_lon, node1_lat = -122.4194, 37.7749  # 节点1：lon在前，lat在后
node2_lon, node2_lat = -122.4074, 37.7817  # 节点2

# 创建边的几何对象
edge_geom = LineString([(node1_lon, node1_lat), (node2_lon, node2_lat)])

如果你的边是从OSMnx的路网图（graph）里来的，其实可以直接提取边的几何，不用手动创建：

import osmnx as ox

# 假设你已经有了路网图G，u和v是边的两个节点ID
edge_geom = G.edges[(u, v, 0)]['geometry']  # 第三个参数是边的索引，通常为0

步骤2：筛选半径范围内的点 #

因为WGS84坐标系（经纬度）的距离是度数，没法直接用米来判断，所以我们先把几何对象投影到UTM坐标系（自动适配所在区域，单位是米）。然后遍历所有点，计算到边的距离，筛选出符合条件的点。

import osmnx as ox
from shapely.geometry import Point

# 替换成你的点列表，格式是[(lat1, lon1), (lat2, lon2), ...]
points_list = [(37.776, -122.415), (37.778, -122.412), (37.779, -122.410)]

# 把边的几何投影到UTM坐标系，得到米为单位的几何和对应的CRS
edge_geom_utm, crs = ox.projection.project_geometry(edge_geom, to_crs=None)  # to_crs=None自动选UTM

# 设置你的半径（单位：米）
radius_x = 50  # 比如50米

# 筛选符合条件的点
nearby_points = []
for lat, lon in points_list:
    # 创建点的几何对象（注意坐标顺序是lon, lat）
    point_geom = Point(lon, lat)
    # 把点投影到同一个UTM坐标系
    point_geom_utm, _ = ox.projection.project_geometry(point_geom, to_crs=crs)
    # 计算点到边的距离（米）
    distance = point_geom_utm.distance(edge_geom_utm)
    # 判断是否在半径内
    if distance <= radius_x:
        nearby_points.append((lat, lon))

# 统计数量
print(f"距离目标边{radius_x}米内的点共有：{len(nearby_points)}个")

步骤3：可视化绘制 #

用Matplotlib把边、所有点、附近的点以及半径圆画出来，直观展示结果：

import matplotlib.pyplot as plt

# 把所有点和附近的点转换成UTM坐标
all_points_utm = [ox.projection.project_geometry(Point(lon, lat), to_crs=crs)[0] for lat, lon in points_list]
nearby_points_utm = [ox.projection.project_geometry(Point(lon, lat), to_crs=crs)[0] for lat, lon in nearby_points]

# 创建画布
fig, ax = plt.subplots(figsize=(10, 10))

# 绘制目标边
x_edge, y_edge = edge_geom_utm.xy
ax.plot(x_edge, y_edge, color='darkblue', linewidth=3, label='目标边')

# 绘制所有点（灰色）
for p in all_points_utm:
    ax.scatter(p.x, p.y, color='gray', s=15, alpha=0.5)

# 绘制附近的点（红色）和对应半径圆
for idx, p in enumerate(nearby_points_utm):
    ax.scatter(p.x, p.y, color='crimson', s=30, label='范围内的点' if idx == 0 else "")
    # 绘制半径圆
    circle = plt.Circle((p.x, p.y), radius_x, color='crimson', fill=False, linestyle='--', linewidth=1.5)
    ax.add_patch(circle)

# 设置绘图样式
ax.legend()
ax.set_aspect('equal')  # 保持坐标比例，避免圆变椭圆
plt.title(f"目标边周围{radius_x}米范围内的点分布")
plt.show()

小提示 #

• 如果你的点数量特别多，可以用GeoPandas把点转成GeoDataFrame，然后用空间查询批量计算，效率更高。
• 确保所有几何对象都在同一个坐标系下计算距离，UTM是最适合米级距离计算的选择。

内容的提问来源于stack exchange，提问作者Mateo Valencia