Python实现按时间分组的指定半径内点数量与平均距离统计（排除中心重合点）

核心修正逻辑 #

• 补全原代码缺失的numpy依赖导入（原代码使用np.sqrt但未导入会导致运行报错）
• 新增过滤规则：在半径范围内的点中，排除距离中心为0的重合点（即每个时间节点必然存在的中心点）
• 合并重复的分组计算逻辑，单次分组同时完成计数与平均距离统计，更适配大批量点数据的处理性能
• 对齐所有存在的时间节点，对无符合点的分组自动补0，保证输出格式统一

完整可运行代码 #

import pandas as pd
import numpy as np

# 可配置的统计阈值
RADIUS = 2

df = pd.DataFrame({        
    'Time' : [1,1,1,1,1,1,2,2,2,2,2,2,3,3,3,3],                               
    'Item' : ['A','B','C','D','E','F','A','B','C','D','E','F','A','B','C','D'],       
    'x' : [4,5,8,3,6,2,6,4,3.5,2,4,6,4,2,4,4],  # 匹配测试规则：每个时间分组固定存在1个与中心重合的点
    'y' : [-2,0,-2,0,0,4,-1,-2,-2,4,-3,2,-2,0,-2.5,4],     
    'X2' : [4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4],
    'Y2' : [-2,-2,-2,-2,-2,-2,-2,-2,-2,-2,-2,-2,-2,-2,-2,-2],                          
})

# 预计算所有点到中心的欧氏距离，避免重复计算
df['dist'] = np.sqrt((df['X2'] - df['x']) ** 2 + (df['Y2'] - df['y']) ** 2)

# 筛选有效点：半径范围内 + 排除和中心完全重合的点（距离为0）
valid_points = df[(df['dist'] <= RADIUS) & (df['dist'] > 0)]

# 按时间分组聚合统计，对齐所有时间节点补全缺失值
result = valid_points.groupby('Time').agg(
    count=('dist', 'size'),
    dist=('dist', 'mean')
).reindex(df['Time'].unique()).fillna(0).reset_index()

运行输出 #

代码执行后得到的结果和预期完全一致：

Time  count  dist
0     1    0.0   0.0
1     2    2.0   0.75
2     3    1.0   0.5

代码适配性说明：如果后续数据量大幅增长，可通过向量化计算的方式进一步优化性能，所有统计逻辑不依赖固定的时间顺序，可自动适配任意数量的时间节点。

内容的提问来源于stack exchange，提问作者Chopin