Python 哈弗森距离最小值的有效计算

我有一个坐标为>2.7MM的数据框，还有一个单独的~2000坐标列表。我试图返回每一行中的坐标与列表中的每个坐标之间的最小距离。下面的代码在小范围内工作（数据帧有200行），但是当计算超过2.7MM行时，它似乎永远运行

from haversine import haversine

df
Latitude   Longitude
39.989    -89.980
39.923    -89.901
39.990    -89.987
39.884    -89.943
39.030    -89.931

end_coords_list = [(41.342,-90.423),(40.349,-91.394),(38.928,-89.323)]

for row in df.itertuples():
    def min_distance(row):
        beg_coord = (row.Latitude, row.Longitude)
        return min(haversine(beg_coord, end_coord) for end_coord in end_coords_list)
    df['Min_Distance'] = df.apply(min_distance, axis=1)

我知道问题在于正在进行的计算的数量（5.7MM*2000=~114亿次），而运行这么多循环的效率非常低

根据我的研究，向量化NumPy函数似乎是一种更好的方法，但我对Python和NumPy还不熟悉，所以我不太确定在这种特殊情况下如何实现它

理想输出：

df
Latitude   Longitude  Min_Distance
39.989    -89.980     3.7
39.923    -89.901     4.1
39.990    -89.987     4.2
39.884    -89.943     5.9
39.030    -89.931     3.1

提前谢谢

本质上是：

# convert all latitudes/longitudes from decimal degrees to radians
lat1, lng1, lat2, lng2 = map(radians, (lat1, lng1, lat2, lng2))

# calculate haversine
lat = lat2 - lat1
lng = lng2 - lng1

d = sin(lat * 0.5) ** 2 + cos(lat1) * cos(lat2) * sin(lng * 0.5) ** 2
h = 2 * AVG_EARTH_RADIUS * asin(sqrt(d))

这里有一个矢量化方法，它利用强大的

NumPy ufuncs

替换那些数学模块func，这样我们就可以一次性操作整个数组-

# Get array data; convert to radians to simulate 'map(radians,...)' part    
coords_arr = np.deg2rad(coords_list)
a = np.deg2rad(df.values)

# Get the differentiations
lat = coords_arr[:,0] - a[:,0,None]
lng = coords_arr[:,1] - a[:,1,None]

# Compute the "cos(lat1) * cos(lat2) * sin(lng * 0.5) ** 2" part.
# Add into "sin(lat * 0.5) ** 2" part.
add0 = np.cos(a[:,0,None])*np.cos(coords_arr[:,0])* np.sin(lng * 0.5) ** 2
d = np.sin(lat * 0.5) ** 2 +  add0

# Get h and assign into dataframe
h = 2 * AVG_EARTH_RADIUS * np.arcsin(np.sqrt(d))
df['Min_Distance'] = h.min(1)

为了进一步提高性能，我们可以使用替换超越函数

---

运行时测试和验证

接近-

def loopy_app(df, coords_list):
    for row in df.itertuples():
        df['Min_Distance1'] = df.apply(min_distance, axis=1)

def vectorized_app(df, coords_list):   
    coords_arr = np.deg2rad(coords_list)
    a = np.deg2rad(df.values)

    lat = coords_arr[:,0] - a[:,0,None]
    lng = coords_arr[:,1] - a[:,1,None]

    add0 = np.cos(a[:,0,None])*np.cos(coords_arr[:,0])* np.sin(lng * 0.5) ** 2
    d = np.sin(lat * 0.5) ** 2 +  add0

    h = 2 * AVG_EARTH_RADIUS * np.arcsin(np.sqrt(d))
    df['Min_Distance2'] = h.min(1)

核实-

In [158]: df
Out[158]: 
   Latitude  Longitude
0    39.989    -89.980
1    39.923    -89.901
2    39.990    -89.987
3    39.884    -89.943
4    39.030    -89.931

In [159]: loopy_app(df, coords_list)

In [160]: vectorized_app(df, coords_list)

In [161]: df
Out[161]: 
   Latitude  Longitude  Min_Distance1  Min_Distance2
0    39.989    -89.980     126.637607     126.637607
1    39.923    -89.901     121.266241     121.266241
2    39.990    -89.987     126.037388     126.037388
3    39.884    -89.943     118.901195     118.901195
4    39.030    -89.931      53.765506      53.765506

时间安排-

In [163]: df
Out[163]: 
   Latitude  Longitude
0    39.989    -89.980
1    39.923    -89.901
2    39.990    -89.987
3    39.884    -89.943
4    39.030    -89.931

In [164]: %timeit loopy_app(df, coords_list)
100 loops, best of 3: 2.41 ms per loop

In [165]: %timeit vectorized_app(df, coords_list)
10000 loops, best of 3: 96.8 µs per loop

---

请告诉我们有关harversine的信息。它接受什么输入？True

矢量化

通常需要减少编译代码中

numpy

处理的基本数学运算。我们无法将黑匣子矢量化。

haversine

接受两个输入：“开始”坐标和“结束”坐标，并计算两者之间的距离（以公里为单位）。这是从？如果是的话，请在问题中连接。只是更新它。让我知道这是否提供了你想要的清晰度。我们需要该软件包的源代码信息。再次，张贴以确认这是否是链接-？不要以为我们会在我们的终端安装所有的软件包。这太棒了。感谢您演示如何与熊猫一起使用NumPy。在非常大的数据帧上运行时，我遇到内存错误。你认为“numexpr”能解决这个问题吗？@WaltReed不，

numexpr

在这方面没有帮助。只需将数据帧分为块，比如一次抓取

10000

行，使用建议的代码进行处理并分配到输出列，然后再分配到下一个

10000

行，重复执行，依此类推。