这绝对是空间分析里的高频需求，手动逐个写map函数真的太折磨人了，针对你的30个多边形+10000个点的规模，我推荐两个高效的批量实现方案，比手动操作快N倍：

方案1：利用空间连接（sjoin）+ 透视表（最推荐） #

GeoPandas的sjoin是专门优化过的空间匹配工具，处理这类批量归属问题效率极高，步骤如下：

1. 先执行空间连接，把每个点和包含它的多边形关联起来

import geopandas as gpd

# 空间连接：找到每个点所在的多边形（left连接保留所有点）
joined_df = gpd.sjoin(df_points, df_poly, how="left", predicate="within")

• predicate="within"：明确判断逻辑是“点是否在多边形内”
• how="left"：确保所有原始点都被保留，哪怕不在任何多边形里

2. 将连接结果转换为布尔值矩阵
   通过透视表把多边形ID转成列，用存在性标记布尔值：

# 生成每个点对应各多边形的布尔值列
poly_indicator = joined_df.pivot_table(
    index=df_points.index,  # 用原始点的索引对齐
    columns="id",           # 多边形ID作为列名
    values="index_right",   # 任意存在的列，仅用来判断是否匹配
    aggfunc="count",        # 匹配到则计数为1，否则为0
    fill_value=False        # 未匹配的填充为False
).astype(bool)  # 把数值转成布尔值

3. 合并回原始点数据框

# 把布尔值列合并到原始点GeoDataFrame
df_points = df_points.join(poly_indicator)

方案2：向量化空间判断循环（更简洁） #

如果觉得透视表有点绕，也可以直接遍历多边形，用GeoPandas的向量化空间方法批量生成列：

# 遍历每个多边形，批量添加归属列
for poly_name, poly_geom in df_poly.set_index("id")["geometry"].items():
    # 向量化判断：所有点是否在当前多边形内
    df_points[poly_name] = df_points["points"].within(poly_geom)

这里的within是GeoPandas的向量化方法，比你手动写的lambda+map快得多，因为它是底层优化过的批量操作，不需要逐行处理每个点。

注意事项 #

• 坐标系一致性：一定要确保df_poly和df_points的坐标系（CRS）完全一致，否则空间判断会出错！可以用df_poly.crs和df_points.crs检查，不一致的话用df_points = df_points.to_crs(df_poly.crs)转换。
• 性能对比：对于你的数据规模，两个方案都能很快完成，但sjoin方案在多边形/点数量更大时（比如上百个多边形、十万级点）性能优势更明显。

内容的提问来源于stack exchange，提问作者Kvothe