python

Question

使用如下数据，- 捕获各个邻近位置的测量值

Lat Long    val
35.611053   139.628525  -72.82
35.61105336 139.6285236 -78.04
35.61105373 139.6285223 -72.99
35.61105409 139.6285209 -69.04
35.61105445 139.6285195 -65.4
35.61105482 139.6285182 -66.68
35.61105518 139.6285168 -65.82
35.61105555 139.6285155 -64.47
35.61105591 139.6285141 -71.26
35.61105627 139.6285127 -68.36
35.61105664 139.6285114 -74.48
35.611057   139.62851   -74.27
35.61105736 139.62851   -77.97
35.61105773 139.62851   -68.66
35.61105809 139.62851   -70.21
35.61105845 139.62851   -76.05
35.61105882 139.62851   -88.83
35.61105918 139.62851   -73.17
35.61105955 139.62851   -67.63
35.61105991 139.62851   -71.85
35.61106027 139.62851   -77.42
35.61106064 139.62851   -71.08
35.611061   139.62851   -79.27

需要对这些数据进行分箱操作——即每隔0.1x0.1米对val中的所有值取平均值。一种方法可能是找到边缘（如 NW、SW、NE 和 SE）并将其划分为一组 0.1x0.1 米的网格并在每个网格内查找值并计算平均值和属性到 lat/long网格的中心，以便我们得到如下结果。

Lat Long    Mean_val    Sample_count

虽然提议的方法可能很幼稚，但也想知道是否可以有一种基于 pandas

的方法

Answer 1

0.1米*0.1米面积平均数据的简单解法

为此，您必须将纬度、经度坐标转换为 x、y 坐标。

这里我用的是utm模块：

x,y,_,_ = utm.from_latlon(latitude, longitude)

之后，您可以创建一个新列，以分米为单位表示您的 x,y 坐标：

def apply_fun (raw):
    x,y,_,_ = utm.from_latlon(raw['Lat'],raw['Long']) 
    return str(np.round(x*10))+"|"+str(np.round(y*10))

然后将其添加到您的数据框中：

x = df.apply(lambda row : apply_fun(row),axis=1)
df.insert(3,'Group',x)

然后你应用 groupby 函数:

gdf = df.groupby(['Group']).agg({"Lat":["mean"],"Long":["mean","count"],"val":["mean"]})
gdf = gdf.reset_index().drop(columns=['Group'],level=0)
gdf.columns = [' '.join(col) for col in gdf.columns]

我们完成了！ :)

之前解决方案的推广

按k1米*k2米面积对数据进行分组，只需要修改这个函数：

def apply_fun (raw):
    x,y,_,_ = utm.from_latlon(raw['Lat'],raw['Long']) 
    return str(np.round(x/k1))+"|"+str(np.round(y/k2))

对之前解决方案的批评

正如我之前指出的那样，为了解决这个问题，我们必须将纬度、经度转换为 x、y 坐标。

在前面的解决方案中，我将经纬度转换为 utm 坐标。 utm 系统是一种制图投影，它将地球划分为 120 个区域：60 个北区和 60 个南区。所以当我们这样做时：

x,y,area_number,NS = utm.from_latlon(raw['Lat'],raw['Long'])

(x,y)是我们在(area_number,NS)区域的位置。我们可以得出结论，当且仅当我们的传感器位于同一 UTM 区域时，我们的解决方案才有效。

我们也可以使用直接将纬度、经度转换为 x、y 坐标的 ECEF 转换来进行此转换。我不知道这些方法的精度，因为我们要求精确到十分之一米，所以我更喜欢选择看起来更准确的 utm 转换。

如果你想使用像这样完成的 ECEF 方法：

import pyproj
def gps_to_ecef_pyproj(lat, lon, alt):
    ecef = pyproj.Proj(proj='geocent', ellps='WGS84', datum='WGS84')
    lla = pyproj.Proj(proj='latlong', ellps='WGS84', datum='WGS84')
    x, y, z = pyproj.transform(lla, ecef, lon, lat, alt, radians=False)

    return x, y, z

x,y,z = gps_to_ecef_pyproj(raw['Lat'],raw['Long'],0)

（我从这里获取代码：https://gis.stackexchange.com/questions/230160/converting-wgs84-to-ecef-in-python）

python - 地理装箱 - 地理边界内的平均值

python - geo binning - averaging values within a geo boundary

geolocation

pandas

0.1米*0.1米面积平均数据的简单解法

之前解决方案的推广

对之前解决方案的批评