基于Latitude与Longitude坐标的两点间距离计算方法咨询
仅含经纬度数据集的坐标距离计算方法
首先明确核心前提:地球为近似球体,不可直接使用平面欧氏距离计算,需用Haversine公式计算球面上两点的大圆最短地表距离,可按需输出公里/英里单位。
场景1:计算数据集所有点与给定参考点的距离
给定参考坐标参数:Longitude = -73.953918,Latitude = 40.778873
推荐使用Python+pandas处理结构化数据集,效率更高:
- 先安装依赖:
pip install pandas geopy
- 直接运行以下代码,假设你的数据集已加载为
df,且包含Latitude、Longitude两列(列名大小写需与实际数据集完全一致):
import pandas as pd from geopy.distance import geodesic # 注意:geopy输入顺序为(纬度, 经度),不要搞反顺序导致计算错误 ref_point = (40.778873, -73.953918) # 新增列存储每个点与参考点的距离,单位为公里 df['dist_to_ref_km'] = df.apply( lambda row: geodesic(ref_point, (row['Latitude'], row['Longitude'])).km, axis=1 )
如果不想使用第三方依赖,也可以直接手写Haversine公式实现:
import numpy as np def get_haversine_dist(lat1, lon1, lat2, lon2): # 地球平均半径6371公里 R = 6371 # 角度转弧度 lat1, lon1, lat2, lon2 = map(np.radians, [lat1, lon1, lat2, lon2]) dlat = lat2 - lat1 dlon = lon2 - lon1 a = np.sin(dlat/2)**2 + np.cos(lat1) * np.cos(lat2) * np.sin(dlon/2)**2 return 2 * R * np.arcsin(np.sqrt(a)) df['dist_to_ref_km'] = get_haversine_dist(40.778873, -73.953918, df['Latitude'], df['Longitude'])
场景2:计算数据集内部任意两点的两两距离
如果需要计算数据集内所有坐标点的两两距离,可使用以下代码,适配中小规模数据集(1万行以内可直接生成全量距离矩阵):
def haversine_matrix(coords): R = 6371 # 输入coords为[[lat1, lon1], [lat2, lon2], ...]格式的数组 lat = np.radians(coords[:, 0]) lon = np.radians(coords[:, 1]) # 生成网格计算差值 dlat = lat[:, None] - lat[None, :] dlon = lon[:, None] - lon[None, :] a = np.sin(dlat/2)**2 + np.cos(lat[:, None]) * np.cos(lat[None, :]) * np.sin(dlon/2)**2 return 2 * R * np.arcsin(np.sqrt(a)) # 生成的dist_matrix[i][j]即为第i个点和第j个点的距离(单位公里) dist_matrix = haversine_matrix(df[['Latitude', 'Longitude']].values)
注意:如果数据集行数超过10万,全量计算两两距离会占用大量内存,建议先做空间范围过滤后再计算。
低门槛Excel实现方案
如果不想写代码,可直接在Excel中用公式计算:
假设你的参考点纬度放在E1单元格、经度放在F1单元格,数据集从第2行开始,B列为Latitude,C列为Longitude,在D2单元格输入以下公式后下拉即可:
=6371 * ACOS(COS(RADIANS($E$1)) * COS(RADIANS(B2)) * COS(RADIANS(C2) - RADIANS($F$1)) + SIN(RADIANS($E$1)) * SIN(RADIANS(B2)))
内容的提问来源于stack exchange,提问作者ramreddy bolla
相关产品推荐
相关产品推荐

