Wie kann ich Haversine-Abstände für Millionen von Datenpunkten in Python effizient berechnen?

Schnelle Haversine-Approximation in Python/Pandas mithilfe der Numpy-Vektorisierung

Beim Umgang mit Millionen von Datenpunkten mit Breiten- und Längengradkoordinaten werden Entfernungen mithilfe von berechnet Die Haversine-Formel kann zeitaufwändig sein. Dieser Artikel stellt eine vektorisierte Numpy-Implementierung der Haversine-Funktion zur deutlichen Verbesserung der Leistung bereit.

Ursprüngliche Haversine-Funktion:

Die ursprüngliche Haversine-Funktion ist in Python geschrieben:

<code class="python">from math import radians, cos, sin, asin, sqrt
def haversine(lon1, lat1, lon2, lat2):
    # convert decimal degrees to radians 
    lon1, lat1, lon2, lat2 = map(radians, [lon1, lat1, lon2, lat2])
    # haversine formula 
    dlon = lon2 - lon1 
    dlat = lat2 - lat1 
    a = sin(dlat/2)**2 + cos(lat1) * cos(lat2) * sin(dlon/2)**2
    c = 2 * asin(sqrt(a)) 
    km = 6367 * c
    return km</code>

Vektorisierte Numpy-Haversine-Funktion:

Die vektorisierte Numpy-Implementierung nutzt die optimierten Array-Operationen von Numpy:

<code class="python">import numpy as np

def haversine_np(lon1, lat1, lon2, lat2):
    lon1, lat1, lon2, lat2 = map(np.radians, [lon1, lat1, lon2, lat2])
    
    dlon = lon2 - lon1
    dlat = lat2 - lat1
    
    a = np.sin(dlat/2.0)**2 + np.cos(lat1) * np.cos(lat2) * np.sin(dlon/2.0)**2
    
    c = 2 * np.arcsin(np.sqrt(a))
    km = 6378.137 * c
    return km</code>

Leistungsvergleich:

Die vektorisierte Numpy-Funktion kann Millionen von Eingabepunkten sofort verarbeiten. Betrachten Sie beispielsweise zufällig generierte Werte:

<code class="python">lon1, lon2, lat1, lat2 = np.random.randn(4, 1000000)
df = pandas.DataFrame(data={'lon1':lon1,'lon2':lon2,'lat1':lat1,'lat2':lat2})
km = haversine_np(df['lon1'],df['lat1'],df['lon2'],df['lat2'])</code>

Diese Berechnung, die mit der ursprünglichen Python-Funktion viel Zeit in Anspruch nehmen würde, wird sofort abgeschlossen.

Schlussfolgerung:

Die Vektorisierung der Haversine-Funktion mithilfe von Numpy kann die Leistung großer Datensätze erheblich verbessern. Die optimierten Array-Operationen von Numpy ermöglichen eine effiziente Verarbeitung mehrerer Datenpunkte, reduzieren den Rechenaufwand und beschleunigen Entfernungsberechnungen. Diese Optimierung macht es möglich, Echtzeit-Geoanalysen für große Datensätze durchzuführen.

Das obige ist der detaillierte Inhalt vonWie kann ich Haversine-Abstände für Millionen von Datenpunkten in Python effizient berechnen?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!