Python 如何有效地从geopandas df中过滤不在形状多边形边界内的行？

我有一个常规的pandas数据帧，可以一次性转换为geopandas，如下所示

from shapely.geometry import Polygon, Point
import geopandas
geo_df = geopandas.GeoDataFrame(input_df, geometry=geopandas.points_from_xy(input_df.Longitude, input_df.Latitude))

我还有一个坐标列表，我将其转换为一个形状良好的多边形，如下所示：

grid_polygon = Polygon(shape_coordinates)

然后，我想过滤

geo_df

中不在shapely polygon

grid_polygon

边界内的所有行

我目前实现这一目标的方法是：

geo_df['withinPolygon'] = ""
withinQlist = []
for lon,lat in zip(geo_df['longitude'], geo_df['latitude']):
    pt = Point(lon, lat)
    withinQ = pt.within(grid_polygon)
    withinQlist.append(withinQ)
geo_df['withinPolygon'] = withinQlist
geo_df = geo_df[geo_df.withinPolygon==True]

但这是相当低效的。我想有一种方法可以做到这一点，而无需对每一行进行迭代，但我找到的大多数解决方案都不会使用形状良好的多边形进行过滤。有什么想法吗

---

首先谢谢你，正如你在评论中提到的，你的代码可以简化如下：

import geopandas
geo_df=geopandas.GeopataFrame（输入_df，几何体=geopandas.points_自_xy（输入_df.经度，输入_df.纬度）
geo_-df_filtered=geo_-df.loc[geo_-df.in（网格多边形）]

但是，根据您拥有的数据类型和使用模式，有几种技术可以加快速度：

使用准备好的几何图形 如果多边形非常复杂，创建多边形将加快包容检查。 这将在开始时预先计算各种数据结构，从而加快后续操作。 （更多详情。）

来自shapely.prepared导入准备
网格\多边形\准备=准备（网格\多边形）
geo_df_filtered=geo_df.loc[geo_df.geometry.apply（lambda p:grid_polygon_prep.contains（p））]

（不能像上面那样执行

geo_df.loc[geo_df.in.（网格多边形准备）]

，因为geopandas不支持此处准备的几何图形。）

使用空间索引 如果需要针对多个而不是一个

grid\u polygon

s对给定的一组点运行包容检查，那么在这些点上使用空间索引是有意义的。 这将大大加快速度，特别是当分数很多的时候

Geopandas规定：

match\u index=geo\u df.sindex.query（grid\u polygon，predicate=“contains”）
#请注意，在这里使用'iloc'而不是'loc'很重要
geo_df_filtered=geo_df.iloc[匹配索引]

---

很好的博客文章，还有一些解释：

使用

geo_df.apply（）

应该比for循环稍微快一点，但是除非

点

构造函数/检查可以矢量化，否则您必须迭代所有行。谢谢-是的，应用是一个选项，但我认为有一种更自然的方法可以做到这一点-我相信这里的强制转换实际上没有必要-必要的信息应该已经是e在geopandas df的init中由点_从_xy编码。我目前正在尝试使用逻辑df[df.geometry.within（polygon）]，但仍在测试。这有帮助吗？