Рассчитать расстояние в информационном кадре с UTM-координатами в пандах - PullRequest
Новая
       31

Рассчитать расстояние в информационном кадре с UTM-координатами в пандах

0 голосов
/ 27 июня 2019

У меня огромный dataframe.Данные структуры выглядят так: 

df
ID  Annotation  X           Y
A   Boarding    767513.9918 9425956.2571
A   Alighting   767154.1396 9427584.0004
B   Boarding    767450.5277 9432627.9543
B   Alighting   767495.0101 9426797.1772
C   Boarding    767648.9507 9426442.5497
C   Alighting   767037.0309 9428878.9032
........

В данных X и Y использовались координаты UTM.Я хочу рассчитать расстояние между каждым посадочным талоном и посадкой.Мой вопрос тихо похож, но отличается от этого вопроса ( Матрица расстояний в Python Pandas ).Мой ожидаемый результат выглядит следующим образом: 

result
ID  Anotation_1 X_1         Y_1         Anotation_2 X_2         Y_2      Dist
A   Boarding    767513.99   9425956.26  Alighting   767154.14   9427584.00  1667.05
B   Boarding    767450.53   9432627.95  Alighting   767495.01   9426797.18  5830.95
C   Boarding    767648.95   9426442.55  Alighting   767037.03   9428878.90  2512.02
    .......

Спасибо за вашу помощь.

Ответы [ 3 ]

2 голосов
/ 27 июня 2019

Я бы развернул фрейм данных: 

result = df.pivot('ID', 'Annotation', ['X', 'Y'])

, чтобы получить 

                      X                          Y              
Annotation    Alighting     Boarding     Alighting      Boarding
ID                                                              
A           767154.1396  767513.9918  9.427584e+06  9.425956e+06
B           767495.0101  767450.5277  9.426797e+06  9.432628e+06
C           767037.0309  767648.9507  9.428879e+06  9.426443e+06

Затем я бы переименовал столбцы и переиндексировал: 

ix = result.columns.to_frame()
result.columns = ix['Annotation'] + '_' + ix.iloc[:,0]
result = result.reindex(columns=['Alighting_X', 'Alighting_Y', 'Boarding_X', 'Boarding_Y'])

, чтобы получить:

    Alighting_X   Alighting_Y   Boarding_X    Boarding_Y
ID                                                      
A   767154.1396  9.427584e+06  767513.9918  9.425956e+06
B   767495.0101  9.426797e+06  767450.5277  9.432628e+06
C   767037.0309  9.428879e+06  767648.9507  9.426443e+06

Теперь легко вычислить расстояние: 

result['Dist'] = np.sqrt((result.Alighting_X - result.Boarding_X)**2 + (result.Alighting_Y - result.Boarding_Y)**2)

, чтобы наконец получить: 

    Alighting_X   Boarding_X   Alighting_Y    Boarding_Y         Dist
ID                                                                   
A   767154.1396  767513.9918  9.427584e+06  9.425956e+06  1667.045847
B   767495.0101  767450.5277  9.426797e+06  9.432628e+06  5830.946773
C   767037.0309  767648.9507  9.428879e+06  9.426443e+06  2512.023929
2 голосов
/ 27 июня 2019

Я использую unstack(): 

m=(df.assign(k=(df.groupby('ID').cumcount()+1).astype(str)).
        set_index(['ID','k']).unstack().sort_values(by='k',axis=1))
m.columns=m.columns.map('_'.join)

m=m.assign(Dist=np.sqrt((m.X_1 - m.X_2)**2 + (m.Y_1 - m.Y_2)**2))
print(m)

enter image description here

1 голос
/ 27 июня 2019

Один из подходов к этому, при условии, что ввод чистый и правильный , будет использовать groupby: 

df = df.groupby('ID').apply(lambda x: pd.Series(x.values[0:2,2:4].flatten()))  # (*)
df.columns=['X_1','Y_1','X_2','Y_2']
#df.reset_index()  # Uncomment if you want 'ID' as a column and not an Index

Как и для других столбцовв желаемом результате: Anotation_1 и Anotation_2 всегда постоянны, поэтому я не стал их включать.Столбец Dist - ну, вы можете вычислить его сейчас, учитывая новые столбцы, или вы можете изменить код выше, чтобы вычислять расстояние уже при обходе чисел на шаге (*) выше, тем самым изменив наш код на что-то вроде: (здесь используется расчет фиктивного расстояния, замените его своим!) 

def my_func(pdf):
    return pd.Series([pdf.values[0,2], pdf.values[0,3], pdf.values[1,2], pdf.values[1,3],
                      np.sqrt((pdf.values[0,2]-pdf.values[1,2])**2+(pdf.values[0,3]-pdf.values[1,3])**2)  # <= your distance calculation goes here...
                     ])
df = df.groupby('ID').apply(my_func)
df.columns=['X_1','Y_1','X_2','Y_2','Dist']
#df.reset_index()  # Uncomment if you want 'ID' as a column and not an Index

Обновление: если вы настаиваете на включении этих константных столбцов, вы можете просто добавить их позже, например, так: (но почему бы вам? особенно если это большой DataFrame ... ) 

df['Annotation_1'] = 'Boarding'
df['Annotation_2'] = 'Alighting'
# And if you further insist on a specific ordering of the columns, you can go with:
df = df[['Annotation_1', 'X_1', 'Y_1', 'Annotation_2', 'X_2', 'Y_2', 'Dist']]
...