◎欢迎参与讨论，请在这里发表您的看法、交流您的观点。
如何优化批量经纬度距离计算，将 17 分钟的处理时间缩短？
ID:20780 / 打印
批量经纬度距离计算优化
需要计算大量经纬度点之间的距离，速度较慢。本问答旨在提供优化建议，以缩短处理时间。
原始问题：
- 需求：找出 a 表中的点与 b 表中距离不超过 2km 的点。
- 数据：a 表 10 万行，b 表 25 万行。
- 原始代码耗时：17 分钟。
优化建议：
1. 使用矩阵计算：
通过使用 scipy.spatial.distance_matrix 函数，可以一次性计算所有点对之间的距离，提高效率。
2. 缩小搜索范围：
根据需求，只需找出距离 2km 范围内的点。可以根据最大搜索半径缩小 b 表的搜索范围。例如，假设最大搜索半径为 15km，可以通过以下方式缩小搜索范围：
df4_lon_max = df51.longitude.max() + 15 df4_lon_min = df51.longitude.min() - 15 df4_lat_max = df51.latitude.max() + 15 df4_lat_min = df51.latitude.min() - 15 df41 = df4[(df4['longitude'] > df4_lon_min) & (df4['longitude'] < df4_lon_max) & (df4['latitude'] < df4_lat_max) & (df4['latitude'] > df4_lat_min)]
3. 并行计算：
如果代码性能允许并行化，可以利用多核 cpu 并行计算，进一步加快速度。
4. 哈弗辛公式优化：
在计算距离时，使用了哈弗辛公式。此公式可以通过使用以下方法进行部分优化：
- 将半球弧度公式（hav）计算外移循环：
def hav(theta): return 0.5 * (1 - cos(theta)) def fun3(df5, df4, group=20, interval=0.15, dis=2000): ... hav_Latitude_x = hav(radians(df45['Latitude_x'])) hav_Longitude_x = hav(radians(df45['Longitude_x'])) hav_Latitude_y = hav(radians(df45['Latitude_y'])) hav_Longitude_y = hav(radians(df45['Longitude_y'])) # ...
5. 限制结果数量：
根据需求，只需找出距离不超过 2km 的点。可以设置一个最大结果数量，如 100 个，以避免程序计算过多不必要的距离。
