Python OSMnx等时线

我有大量的位置数据（10k行）（lat、lon），我想用OSMnx从每个点开始计算10分钟的行走等时线。（我尝试使用openrouteservice，但有一些限制）。 我试着用这个例子：

将熊猫作为pd导入
作为gpd导入geopandas
从shapely.geometry导入点，多边形
将networkx导入为nx
将osmnx作为ox导入
ox.config（log\u console=True，use\u cache=True）
def get_等时线（lon、lat、行走时间=10，速度=4.5）：
loc=（横向，纵向）
G=ox.graph\u from\u point（loc，simplify=True，network\u type='walk'）
gdf_节点=ox.graph_to_gdfs（G，边=False）
x、 y=gdf_节点['geometry'].一元联合.centroid.xy
中心节点=ox.get\u最近节点（G，（y[0]，x[0]））
米/分钟=速度*1000/60公里/小时至米/分钟
对于u、v、k，G边中的数据（数据=真，关键点=真）：
数据['time']=数据['length']/每分钟米
子图=nx.ego\u图（G，中心节点，半径=行走时间，距离=时间）
node_points=[节点的点（数据['x']，数据['y']），子图中的数据。节点（数据=真）]
polys=gpd.GeoSeries（节点点）。一元联合。凸包
返回多边形

然后将其应用于我的大型熊猫数据帧：

df.apply(lambda x: get_isochrone(x.lon, x.lat), axis=1)

但是花了这么多时间。100行大约是3分钟的运行时间。有没有其他方法、包装来实现这个目标？有合理的运行时间吗

最后一个问题，OSMnx请求的限制是什么，特别是对于大数据？

---

谢谢

这将是一个固有的缓慢过程。如果您有10000个位置，并且它们彼此相距很远，那么您需要下载10000个本地街道网络并对其建模，以计算每个点周围的可达性。这意味着10000次服务器调用、数据下载、图形构建和拓扑清理等

因此，在3分钟内完成100行对我来说似乎相当快，特别是考虑到这意味着您可以在大约300分钟（即5小时）内完成所有10000行的估计时间。只要在睡觉前开始这个过程，当你醒来的时候就可以了。这假设这是一个一次性的计算，不需要经常重新计算

另一种选择是将其并行化，将其划分为10个容器或流程，每个容器或流程处理1000个位置。根据您估计的时间，这将在约30分钟内完成

最后一个问题，OSMnx请求的限制是什么，特别是对于大数据

---

使用OSMnx处理大规模网络模型的限制是计算机上的RAM数量。

可以做的一个改进是尝试避免多次下载图形边缘。如果您的

df

中有许多点的距离比步行10分钟还要近，那么您会一次又一次地丢失大量下载图形数据的时间。一种解决方案可能是在

get_isochrone

之外（例如使用

osmnx.graph.graph\u from_polygon

）将数据集封套的整个图形下载到内存中（如果合适的话）@LuisBlanche这就是问题所在。我的（纬度、经度）点相距很远。从<多边形> <代码>中考虑<代码>图形，将考虑单个中心节点。我认为您需要理解<代码> GETSISOISORNON/<代码中的时间。为此，可以使用

cProfile.run（df.apply（lambda x:get_等时线（x.lon，x.lat），axis=1））

Yes。我昨天运行了这个程序，但是遇到了一个API越界错误。但是，是的，我将再次这样做，希望在这个过程中不会遇到这个错误。