基于经纬度点最小距离为DataFrame分配聚类标签的实现问询

我来帮你搞定这个问题——你不需要手动逐个循环计算，我们可以用向量化运算或者专门的最近邻工具来高效完成，同时精准分配对应的聚类标签。下面给你两种实用的方案，分别适合不同的数据规模：

方法1：使用Scipy的cdist计算全量距离（适合中小规模数据） #

这种方法直接计算df2每个点与df1所有点的距离，然后找到最小距离对应的clust值。

步骤示例： #

首先我们先还原你的示例数据：

import pandas as pd
from scipy.spatial.distance import cdist

# 构造df1
df1 = pd.DataFrame({
    'clust': [1, 1, 2, 2, 3, 3],
    'longitude': [77.62279999, 77.62517676, 77.62753442, 77.62753442, 77.62217671, 77.62217671],
    'latitude': [12.95248389, 12.95027966, 12.93745478, 12.93745478, 12.93353553, 12.93353553]
})

# 构造示例df2
df2 = pd.DataFrame({
    'longitude': [77.623, 77.627, 77.622],
    'latitude': [12.951, 12.937, 12.934]
})

接下来执行标签分配：

# 提取df1的坐标矩阵
df1_coords = df1[['longitude', 'latitude']].values
# 提取df1的clust标签
df1_clust = df1['clust'].values

# 计算df2与df1所有点的欧氏距离矩阵（shape: [df2行数, df1行数]）
distance_matrix = cdist(df2[['longitude', 'latitude']].values, df1_coords, metric='euclidean')

# 找到每个df2点对应的最小距离的索引
min_dist_indices = distance_matrix.argmin(axis=1)

# 根据索引匹配对应的clust标签，添加到df2中
df2['assigned_clust'] = df1_clust[min_dist_indices]

运行后df2就会新增assigned_clust列，每个点都对应了df1中最近点的聚类标签。

方法2：使用Sklearn的NearestNeighbors（适合大规模数据） #

如果你的df1和df2数据量很大，全量计算距离会非常耗时，这时候用NearestNeighbors的KD-Tree/Ball-Tree算法会高效很多，它会优化最近邻的搜索过程。

步骤示例： #

import pandas as pd
from sklearn.neighbors import NearestNeighbors

# 同样先构造示例数据（和上面一致）
df1 = pd.DataFrame({
    'clust': [1, 1, 2, 2, 3, 3],
    'longitude': [77.62279999, 77.62517676, 77.62753442, 77.62753442, 77.62217671, 77.62217671],
    'latitude': [12.95248389, 12.95027966, 12.93745478, 12.93745478, 12.93353553, 12.93353553]
})

df2 = pd.DataFrame({
    'longitude': [77.623, 77.627, 77.622],
    'latitude': [12.951, 12.937, 12.934]
})

# 初始化最近邻模型，只找最近的1个点
nn_model = NearestNeighbors(n_neighbors=1, metric='euclidean')
# 用df1的坐标训练模型
nn_model.fit(df1[['longitude', 'latitude']].values)

# 查找df2每个点的最近邻索引
distances, indices = nn_model.kneighbors(df2[['longitude', 'latitude']].values)

# 匹配clust标签，注意indices是二维数组，需要flatten成一维
df2['assigned_clust'] = df1['clust'].iloc[indices.flatten()].values

这个方法在数据量较大时，速度会比cdist快很多，而且代码同样简洁。

补充说明： #

• 两种方法默认用的是欧氏距离，如果你的坐标是经纬度，需要计算球面距离的话，可以把metric参数改成'haversine'，但要注意把经纬度转换成弧度（用np.radians()），因为haversine距离的输入要求是弧度制的坐标。
• 如果df1中有重复点（比如你示例里clust2和3的重复点），这不影响结果，因为最近邻的索引会指向其中一个，对应的clust标签是一致的。

内容的提问来源于stack exchange，提问作者muni