geopandas.sjoin_nearest#

geopandas.sjoin_nearest(left_df, right_df, how='inner', max_distance=None, lsuffix='left', rsuffix='right', distance_col=None, exclusive=False)[来源]#

基于两个GeoDataFrame之间几何体的距离进行空间连接。

结果将包括单个输入记录的多个输出记录，其中有多个等距最近邻居或相交邻居。

距离是以坐标参考系统（CRS）单位计算的，并可以使用 distance_col 参数返回。

请查看用户指南页面 https://geopandas.readthedocs.io/en/latest/docs/user_guide/mergingdata.html 以获取更多详细信息。

Parameters:

left_df, right_dfGeoDataFrames

howstring, default ‘inner’

连接的类型：

‘left’: 使用 left_df 的键；仅保留 left_df 几何列
‘right’: 使用来自 right_df 的键；仅保留 right_df 的几何列
‘inner’: 使用两个数据框的键的交集；仅保留left_df几何列

max_distancefloat, default None

查询最近几何体的最大距离。必须大于0。用于在树中搜索最近项目的max_distance可能对性能产生显著影响，因为它减少了输入几何体的数量，从而评估树中的最近项目。

lsuffixstring, default ‘left’

应用于重叠列名的后缀（左侧GeoDataFrame）。

rsuffixstring, default ‘right’

应用于重叠列名的后缀（右侧GeoDataFrame）。

distance_colstring, default None

如果设置，将在连接的GeoDataFrame中以此名称的列保存计算出的匹配几何之间的距离。

exclusivebool, default False

如果为真，则与输入几何相等的最近几何将不会返回，默认为假。

另请参阅

sjoin: 二元谓词连接
GeoDataFrame.sjoin_nearest: 等效方法

笔记

由于这个连接依赖于距离，如果你的几何图形在地理坐标参考系中，结果将不准确。

GeoPandas中的每个操作都是平面的，即不考虑潜在的第三维度。

示例

>>> import geodatasets
>>> groceries = geopandas.read_file(
...     geodatasets.get_path("geoda.groceries")
... )
>>> chicago = geopandas.read_file(
...     geodatasets.get_path("geoda.chicago_health")
... ).to_crs(groceries.crs)

>>> chicago.head()  
   ComAreaID  ...                                           geometry
0         35  ...  POLYGON ((-87.60914 41.84469, -87.60915 41.844...
1         36  ...  POLYGON ((-87.59215 41.81693, -87.59231 41.816...
2         37  ...  POLYGON ((-87.62880 41.80189, -87.62879 41.801...
3         38  ...  POLYGON ((-87.60671 41.81681, -87.60670 41.816...
4         39  ...  POLYGON ((-87.59215 41.81693, -87.59215 41.816...
[5 rows x 87 columns]

>>> groceries.head()  
   OBJECTID     Ycoord  ...  Category                           geometry
0        16  41.973266  ...       NaN  MULTIPOINT ((-87.65661 41.97321))
1        18  41.696367  ...       NaN  MULTIPOINT ((-87.68136 41.69713))
2        22  41.868634  ...       NaN  MULTIPOINT ((-87.63918 41.86847))
3        23  41.877590  ...       new  MULTIPOINT ((-87.65495 41.87783))
4        27  41.737696  ...       NaN  MULTIPOINT ((-87.62715 41.73623))
[5 rows x 8 columns]

>>> groceries_w_communities = geopandas.sjoin_nearest(groceries, chicago)
>>> groceries_w_communities[["Chain", "community", "geometry"]].head(2)
               Chain    community                                geometry
0     VIET HOA PLAZA       UPTOWN   MULTIPOINT ((1168268.672 1933554.35))
1  COUNTY FAIR FOODS  MORGAN PARK  MULTIPOINT ((1162302.618 1832900.224))

要包括距离：

>>> groceries_w_communities = geopandas.sjoin_nearest(groceries, chicago, distance_col="distances")
>>> groceries_w_communities[["Chain", "community", "distances"]].head(2)
               Chain    community  distances
0     VIET HOA PLAZA       UPTOWN        0.0
1  COUNTY FAIR FOODS  MORGAN PARK        0.0

在以下示例中，我们为Uptown获取多个杂货，因为所有结果是等距的（在这种情况下为零，因为它们相交）。实际上，我们总共得到了4个结果：

>>> chicago_w_groceries = geopandas.sjoin_nearest(groceries, chicago, distance_col="distances", how="right")
>>> uptown_results = chicago_w_groceries[chicago_w_groceries["community"] == "UPTOWN"]
>>> uptown_results[["Chain", "community"]]
            Chain community
30  VIET HOA PLAZA    UPTOWN
30      JEWEL OSCO    UPTOWN
30          TARGET    UPTOWN
30       Mariano's    UPTOWN

geopandas.sjoin_nearest#

这一页