我创建了一个大约 10_000 行的虚拟 sample,其中有两列(pikcup 和下车位置点 - 编码为字符串)。
我使用以下命令将样本读入极坐标数据帧:
df = pl.read_csv("./taxi_coordinates.csv")
我想使用模块有效地计算这些点之间的距离
from geopy.distance import geodesic
请注意,我正在尝试寻找最有效的方法,因为我的原始样本超过 3000 万行。
我的方法使用
map_rows()
def compute_coordinates_v2(df:pl.DataFrame, col:str) -> pl.DataFrame:
target_col:str = 'pu_polygon_centroid' if col == 'pickup' else 'do_polygon_centroid'
location_data:str = f'{col}_location_cleaned'
coordinates:str = f'{col}_coordinates'
df = df.with_columns(
pl.col(target_col).str.replace_all(r'POINT \(|\)', '').alias(location_data)
).with_columns(
pl.col(location_data).str.split(' ').alias(coordinates)
)
return df
df = compute_coordinates_v2(df, 'pickup')
df = compute_coordinates_v2(df, 'dropoff')
以上操作会生成两列列表类型
shape: (5, 1)
┌───────────────────────────────────┐
│ pickup_coordinates │
│ --- │
│ list[str] │
╞═══════════════════════════════════╡
│ ["-73.95701169835736", "40.78043… │
│ ["-73.95701169835736", "40.78043… │
│ ["-73.95701169835736", "40.78043… │
│ ["-73.9656345353807", "40.768615… │
│ ["-73.9924375369761", "40.748497… │
└───────────────────────────────────┘
shape: (5, 1)
┌───────────────────────────────────┐
│ dropoff_coordinates │
│ --- │
│ list[str] │
╞═══════════════════════════════════╡
│ ["-73.9656345353807", "40.768615… │
│ ["-73.95701169835736", "40.78043… │
│ ["-73.95701169835736", "40.78043… │
│ ["-73.9924375369761", "40.748497… │
│ ["-74.007879708664", "40.7177727… │
└───────────────────────────────────┘
现在要计算距离,我使用以下代码
func
def compute_centroid_distance_v2(row):
if (row[0][0]) and (row[0][1]) and (row[1][0]) and (row[1][1]):
centroid_distance = geodesic(
(row[0][1], row[0][0]), #(latitude, longitude)
(row[1][1], row[1][0])
).kilometers
else:
centroid_distance = 0.0
return centroid_distance
df = df.with_columns(
df.select(["pickup_coordinates", "dropoff_coordinates"]).map_rows(compute_centroid_distance_v2).rename({'map': "centroid_distance"})
)
以 3000 万行为基准,
map_rows
花费了大约 1.5 小时。
显然是这样的
df = df.with_columns(
pl.col("pickup_coordinates").list.first().cast(pl.Float32).alias('pickup_longitude'),
pl.col("pickup_coordinates").list.last().cast(pl.Float32).alias('pickup_latitude'),
pl.col("dropoff_coordinates").list.first().cast(pl.Float32).alias('dropoff_longitude'),
pl.col("dropoff_coordinates").list.last().cast(pl.Float32).alias('dropoff_latitude')
).with_columns(
coords = geodesic( (pl.col("pickup_latitude"), pl.col('pickup_longitude')), (pl.col("dropoff_latitude"), pl.col('dropoff_longitude'))).kilometers
)
不起作用,因为极坐标尝试对
(pl.col("pickup_latitude"), pl.col('pickup_longitude')
应用逻辑运算
因此,我想了解
map_rows
/map_elements
是否是我唯一的解决方案,或者是否有不同的解决方法可以加快计算速度。
如https://stackoverflow.com/a/76265233/的答案您可以尝试使用Polars表达式复制
geodesic()
。
另一个潜在的选择可能是 DuckDB,它可以轻松输入/输出 Polars DataFrames。
DuckDB 有一个 SPATIAL 扩展:https://duckdb.org/2023/04/28/spatial.html
duckdb.sql("install spatial") # needed once
如果我增加你的例子进行简单比较:
df_big = pl.concat([df] * 10)
使用您的
map_rows
方法:
(df_big
.select("pickup_coordinates", "dropoff_coordinates")
.map_rows(compute_centroid_distance_v2)
.rename({"map": "centroid_distance"})
)
shape: (98_510, 1)
┌───────────────────┐
│ centroid_distance │
│ --- │
│ f64 │
╞═══════════════════╡
│ 1.50107 │
│ 0.0 │
│ 0.0 │
│ 3.18019 │
│ 3.652772 │
│ … │
│ 2.376629 │
│ 1.440797 │
│ 4.583181 │
│ 0.53954 │
│ 2.589928 │
└───────────────────┘
经过时间:4.52725秒
使用
duckdb
:
duckdb.sql("load spatial")
duckdb.sql("""
from df_big
select
st_distance_spheroid(
st_point(
pickup_coordinates[2]::float, -- NOTE: array indexing is 1-based
pickup_coordinates[1]::float
),
st_point(
dropoff_coordinates[2]::float,
dropoff_coordinates[1]::float
)
) as geodesic
""") .pl()
shape: (98_510, 1)
┌─────────────┐
│ geodesic │
│ --- │
│ f64 │
╞═════════════╡
│ 1501.364 │
│ 0.0 │
│ 0.0 │
│ 3180.189287 │
│ 3652.673199 │
│ … │
│ 2376.786018 │
│ 1440.740571 │
│ 4583.039701 │
│ 539.144276 │
│ 2590.085087 │
└─────────────┘
经过时间:0.10821秒
我对空间数据了解不多,所以我不完全确定为什么输出存在细微差异。
您似乎还可以使用
st_read()
将数据直接加载到 duckdb 中,而不必先使用 Polars 手动将其切碎。
我已经根据我的数据点和提供的解决方案计算了半正弦距离这里
def compute_haversine_disntance(df:pl.DataFrame, R:np.float64, coordinates:dict) -> pl.DataFrame:
pl.Config.set_fmt_float("full")
multiplier:float = np.pi/180
rad_lat1:pl.Expr = (pl.col(coordinates["pickup_points"]).list.last().cast(pl.Float64) * (multiplier))
rad_lat2:pl.Expr = (pl.col(coordinates["dropoff_points"]).list.last().cast(pl.Float64) * (multiplier))
rad_lng1:pl.Expr = (pl.col(coordinates["pickup_points"]).list.first().cast(pl.Float64) * (multiplier))
rad_lng2:pl.Expr = (pl.col(coordinates["dropoff_points"]).list.first().cast(pl.Float64) * (multiplier))
haversin:pl.Expr = (
(rad_lat2 - rad_lat1).truediv(2).sin().pow(2) +
((rad_lng1.cos() * rad_lng2.cos()) * (rad_lng2 - rad_lng1).truediv(2).sin().pow(2))
).cast(pl.Float64)
df = df.with_columns(
(
2 * R * (haversin.sqrt().arcsin())
).cast(pl.Float64).alias("haversine_centroid_distance")
)
return df
但是,与此计算器这里相比,我的最终结果有一些差异。尽管我的公式与计算器中使用的公式相同,但结果略有不同。例如第一对点:
= 的距离为 1.34,而计算器计算出的距离为 1.501(更接近
geodesic
)