批量经纬度距离计算优化
在处理海量经纬度数据集的距离计算时，遇到处理时间过长的问题，可以通过以下方法进行优化：
问题核心在于需要找出 a 表内各点 2km 范围内的 b 表经纬度。原始代码采用逐行遍历的方法，通过筛选和计算距离，效率较低。
要优化性能，可以将经纬度数据转换成矩阵形式，利用距离矩阵计算库计算出 a、b 表之间所有点的距离。这样，可以避免重复繁琐的距离计算，大大提高效率。
具体代码如下：
from scipy.spatial import distance_matrix # 假设 df1、df2 数据包含经纬度数据 # 转换为经纬度坐标对 df1[['Longitude', 'Latitude']] df2[['Longitude', 'Latitude']] # 求出距离矩阵 tmp = distance_matrix(df1[['Longitude', 'Latitude']], df2[['Longitude', 'Latitude']]) # 比对距离边界，获取原始数据索引 min_distance = 2000 # 2 公里 idx = np.where(tmp < min_distance) # 根据索引提取满足条件的经纬度 df_result = df2.iloc[idx[0]]
