时间戳

首页 > 解决方案 > 将蜂窝塔的估计位置分配给最近的实际蜂窝塔

python - 将蜂窝塔的估计位置分配给最近的实际蜂窝塔

问题描述

所以我有一个这样的数据集：

     Customer_id   Lat        Lon
 0.     A          40         12
 1.     A          np.nan     np.nan
 2.     A          np.nan     np.nan
 3.     A          43         12
 4.     A          45         13
 5.     B          43         14
 6.     B          np.nan     np.nan
 7.     B          43         16

其中坐标 (40,12),(43,12),(45,13),(43,14) 和 (43,16) 是某个网络的基站。

然后我应用一些插值函数，结果如下：

     Customer_id   Lat        Lon
 0.     A          40         12
 1.     A          41         12
 2.     A          42         12
 3.     A          43         12
 4.     A          45         13
 5.     B          43         14
 6.     B          43         15
 7.     B          43         16

但这些新坐标只是估计值，而不是实际的塔。然后，我想将这些估计分配给最近的实际塔，例如，记录 1 将分配给塔 (40,12)。

我用了这段代码

def haversine_closest_changed(towers, row):
    all_points= towers
    lat2= all_points[:,0] #the actual latitudes of the towers
    lon2= all_points[:,1] #the actual longitudes of the towers
    l=len(lat2) #how many towers are there
    lat1=row['Expected_Lat']  #make a column with the actual latitude my value and all the towers, 
    #the point I'm looking at multiple times
    lon1=row['Expected_Lon']  #find the min distance and output the minimum 

    lat1, lon1, lat2, lon2 = map(np.radians, [lon1, lat1, lon2, lat2])

    dlat = lat2 - lat1
    dlon = lon2 - lon1

    a = np.sin(dlon/2.0)**2 + np.cos(lon1) * np.cos(lon2) * np.sin(dlat/2.0)**2

    c = 2 * np.arcsin(np.sqrt(a))
    km = 6367 * c
    idx=np.argmin(km)
    closest_point=towers[idx,]

    return closest_point

其中 towers 是一个 pandas 数据集，其中包含网络中存在的所有塔（一列用于纬度，另一列用于经度），Expected_Lat 和 Expected_Lon 列是我在进行插值后所称的列。

这段代码只返回 1 个纬度值和 1 个在整个列中重复的经度值。如何更改此代码以仅替换我已插值的点/最近的塔以前为 NaN 的点？

标签： pythonpython-3.xpandas

解决方案

首先，我们标记要插值的行，然后进行插值，最后，通过此 SO 答案的最近距离计算，我们为所有插值条目找到最近的实际塔：

import pandas as pd
import io
from math import cos, asin, sqrt

s="""     Customer_id   Lat        Lon
 0.     A          40         12
 1.     A          np.nan     np.nan
 2.     A          np.nan     np.nan
 3.     A          43         12
 4.     A          45         13
 5.     B          43         14
 6.     B          np.nan     np.nan
 7.     B          43         16 
"""


df = pd.read_csv(io.StringIO(s), na_values='np.nan', sep='\s\s+', engine='python')
df['Interpolated'] = df.Lat.isnull()
df = df.interpolate()
towers = df.loc[~df.Interpolated,['Lat','Lon']].drop_duplicates().values

def distance(lat1, lon1, lat2, lon2):
    p = 0.017453292519943295
    a = 0.5 - cos((lat2-lat1)*p)/2 + cos(lat1*p)*cos(lat2*p) * (1-cos((lon2-lon1)*p)) / 2
    return 12742 * asin(sqrt(a))

def closest_tower(row):
    return min(towers, key=lambda p: distance(row.Lat, row.Lon, p[0], p[1]))

df.loc[df.Interpolated,['Lat','Lon']] = df.loc[df.Interpolated,['Lat','Lon']].apply(closest_tower ,axis=1)

结果：

    Customer_id   Lat   Lon  Interpolated
0.0           A  40.0  12.0         False
1.0           A  40.0  12.0          True
2.0           A  43.0  12.0          True
3.0           A  43.0  12.0         False
4.0           A  45.0  13.0         False
5.0           B  43.0  14.0         False
6.0           B  43.0  14.0          True
7.0           B  43.0  16.0         False

推荐阅读