Python 求多边形的最大内接矩形

我试图在半打多边形中找到数百万个点。这是我的密码：

def find_shape(longitude,latitude):
    if longitude != 0 and latitude != 0:
        point = shapely.geometry.Point(longitude,latitude)
    else:
        return "Unknown"
    for current_shape in all_shapes:
        if current_shape['bounding_box'].contains(point):
            if current_shape['shape'].contains(point):
                return current_shape['properties']['ShapeName']
                break
    return "Unknown"

我已经阅读了关于使用shapely提高多边形中点查询性能的其他问题。他们建议吃火鸡。但是，对于有许多多边形（，）且不希望在所有多边形上循环的情况，这似乎很有用

如您所见，我已经在设置边界框。以下是我的形状设置代码：

with fiona.open(SHAPEFILE) as f_col:
    all_shapes = []
    for shapefile_record in f_col:
        current_shape = {}
        current_shape['shape'] = shapely.geometry.asShape(shapefile_record['geometry'])
        minx, miny, maxx, maxy = current_shape['shape'].bounds
        current_shape['bounding_box'] = shapely.geometry.box(minx, miny, maxx, maxy)
        current_shape['properties'] = shapefile_record['properties']
        all_shapes.append(current_shape)

检查形状的另一个非常简化的版本是否有用，即由最大内接矩形（或三角形）制成的形状

检查shapely文档，似乎没有这个功能。也许是一些背景？当然，我始终希望确保新的简化形状不会超出原始形状的边界，因此我不必对实际形状调用

contains（）

。我还想让新的简化形状尽可能简单，以提高速度

任何其他建议，以及感谢。谢谢

编辑：在等待回复的同时，我想到了一个想法，可以创建一个满足我要求的简化形状：

current_shape['simple_shape'] = current_shape['shape'].simplify(.5)
current_shape['simple_shape'] = current_shape['simple_shape'].intersection(current_shape['shape'])

以下是我在测试每个点时如何使用它：

if current_shape['simple_shape'].contains(point):
    return current_shape['properties']['ShapeName']
elif current_shape['shape'].contains(point):
    return current_shape['properties']['ShapeName']

这并不完美，因为在进行必要的

intersection（）

之后，形状并不像可能的那样简单。然而，这种方法使处理时间减少了60%。在我的测试中，85%的点查询使用简单多边形

编辑2：关于GIS StackExchange的另一个相关问题： . 这涉及大约3000个多边形中的150万个点。

我将使用R树。 但我会将所有点（而不是多边形的边界框）插入到R树中

使用r树索引，例如：

//插入一个点，即left==right&&top==bottom，本质上会在索引中插入一个单点条目

for current_point in all_points:
    idx.insert(current_point.id, (current_point.x, current_point.y, current_point.x, current_point.y))

//现在在多边形中循环

for current_shape in all_shapes:
   for n in idx.intersect( current_shape['bounding_box'] )
      if current_shape['shape'].contains(n):
         # now we know that n is inside the current shape

---

因此，在较大的R-树上查询六次，而不是在较小的R-树上查询数百万次。

啊，我认为这可以减少比较的次数，但我有3亿多个点，所以我不能一次将它们全部加载到索引中。现在，我正在从一个文件中按顺序读取点。我将它们传递到一个多处理池中，该池为每个对象运行

find\u shape（）

。而且，大多数情况下，第一个比较的多边形包含该点。（我已经优化了

所有形状数组的顺序。）我不认为3亿个条目对于索引来说太多。但是，如果您的数据有些脱节或分区，请将其加载到30个索引中，每个索引有1000万个，并执行30*6查询。这里有人把1000万点载入了一棵R树：这对我帮助很大。感谢@GaryLiao，Joshua Arnott的这个“katana”函数（递归地将每个多边形在其最短维度上一分为二）是一个非常令人愉快的想法。如果你有一个演示如何在交叉点查询中使用该方法的实现（特别是多边形中的点），请分享它，因为博客并没有明确说明如何使用生成的分割多边形。katana生成了两种矩形：（A）多边形内的矩形，以及（B）与多边形边缘相交的矩形。通过索引纬度和经度，很容易找到矩形内的点。A和B中的点都可以在几秒钟内找到。我们确信A内的点也在多边形内，所以我们要做的最后一件事就是依次检查B内的点。
for current_shape in all_shapes:
   for n in idx.intersect( current_shape['bounding_box'] )
      if current_shape['shape'].contains(n):
         # now we know that n is inside the current shape