对于表中的每个观测值，根据纬度和经度（R），计算x米范围内表中其他观测值的数量

我有一个带有经度和纬度的位置数据框，看起来像：

set.seed(211)
latitude <-runif(5000, min=50, max=55)
longitude <- runif(5000, min=-2, max=0)
location_id <- seq(1,5000)

reprex <- data.frame(location_id, latitude, longitude)

set.seed（211）
纬度使用
distGeo
函数可以实现，但您需要一个循环。请注意，坐标的第一列必须是经度

lst <- vector(50, mode="list")

for(i in 1:50) {
    dist <- distGeo(p1=reprex[i,c(3,2)], p2=reprex[-i,c(3,2)])
    lst[[i]] <- sum(dist<16000)
}

reprex$n <- unlist(lst)

table(unlist(lst))
 0  1  2 
34 10  6

lstdistGeo
函数可以执行此操作，但您需要一个循环。请注意，坐标的第一列必须是经度

lst <- vector(50, mode="list")

for(i in 1:50) {
    dist <- distGeo(p1=reprex[i,c(3,2)], p2=reprex[-i,c(3,2)])
    lst[[i]] <- sum(dist<16000)
}

reprex$n <- unlist(lst)

table(unlist(lst))
 0  1  2 
34 10  6

lst字段
中的
rdist.earth
函数似乎对此很有用，例如：

library(fields)
dist.matrix <- rdist.earth(reprex[-1])
colSums(dist.matrix<10)

库（字段）
dist.matrix字段
中的
rdist.earth
函数对此似乎很有用，例如：

library(fields)
dist.matrix <- rdist.earth(reprex[-1])
colSums(dist.matrix<10)

库（字段）
dist.matrix将循环隐藏在（仍然很慢）
应用中
并解开纬度和经度（它们通常是相反的方向），您可以尝试以下方法

set.seed(211)
latitude <-runif(5000, min=50, max=55)
longitude <- runif(5000, min=-2, max=0)
location_id <- seq(1, 5000)
reprex <- data.frame(location_id, latitude, longitude)

library(geosphere)
within10m <- function(p1, p2, dist=16000){
  sum(geosphere::distGeo(p1, p2) <= dist)
  }
matpoints <- as.matrix(reprex[, 3:2])
reprex$neighbours <- 
  apply(matpoints, 1, within10m, p2=matpoints) - 1
head(reprex) 
#   location_id latitude  longitude neighbours
# 1           1 51.17399 -1.1489713         48
# 2           2 54.52623 -1.8554624         39
# 3           3 54.84852 -0.3014742         56
# 4           4 51.72104 -1.8644226         50
# 5           5 51.32793 -0.7417923         56
# 6           6 50.07346 -0.8939857         36

set.seed（211）
latitude将循环隐藏在一个（仍然很慢的）
应用中
并解开纬度和经度（它们通常是相反的方向），您可以尝试以下方法

set.seed(211)
latitude <-runif(5000, min=50, max=55)
longitude <- runif(5000, min=-2, max=0)
location_id <- seq(1, 5000)
reprex <- data.frame(location_id, latitude, longitude)

library(geosphere)
within10m <- function(p1, p2, dist=16000){
  sum(geosphere::distGeo(p1, p2) <= dist)
  }
matpoints <- as.matrix(reprex[, 3:2])
reprex$neighbours <- 
  apply(matpoints, 1, within10m, p2=matpoints) - 1
head(reprex) 
#   location_id latitude  longitude neighbours
# 1           1 51.17399 -1.1489713         48
# 2           2 54.52623 -1.8554624         39
# 3           3 54.84852 -0.3014742         56
# 4           4 51.72104 -1.8644226         50
# 5           5 51.32793 -0.7417923         56
# 6           6 50.07346 -0.8939857         36

set.seed（211）
latitude最终我在这里使用了答案，因为它非常优雅，避免了循环：

我使用了代码：

library(geosphere) # for distHaversine() and distm() functions

reprex <- cbind(reprex, # appends to the dataset... 
                     count_nearby=rowSums( # ... a column which counts the rows in the dataset...
                       distm (reprex[,3:2], fun = distHaversine) # ... where the distance between current and other rows...
                       <= 16000)-1 # ... is less than 16000 metres. Take one away because it counts itself!
                ) #close the cbind brackets!

library（geosphere）#用于distHaversine（）和distm（）函数
reprex最终我在这里使用了答案，因为它非常优雅，避免了循环：

我使用了代码：

library(geosphere) # for distHaversine() and distm() functions

reprex <- cbind(reprex, # appends to the dataset... 
                     count_nearby=rowSums( # ... a column which counts the rows in the dataset...
                       distm (reprex[,3:2], fun = distHaversine) # ... where the distance between current and other rows...
                       <= 16000)-1 # ... is less than 16000 metres. Take one away because it counts itself!
                ) #close the cbind brackets!

library（geosphere）#用于distHaversine（）和distm（）函数
reprex计算速度是这里的一个重要问题吗？对于您的问题，最简单的代码选项可能不会是最快的。若你们需要速度，那个么开发一种将你们的点分类的算法当然是值得的（想想你们地图上的网格模式）。如果栅格步长为10英里，则只需查看同一组或“邻居”组中的元素，而无需浏览每个点的整个地图。根据您拥有的点数及其密度，此优化的影响可能或多或少重要。计算速度是否是一个重要问题？对于您的问题，最简单的代码选项可能不会是最快的。若你们需要速度，那个么开发一种将你们的点分类的算法当然是值得的（想想你们地图上的网格模式）。如果栅格步长为10英里，则只需查看同一组或“邻居”组中的元素，而无需浏览每个点的整个地图。根据您拥有的点数及其密度，此优化的影响可能或多或少重要。