### Haversine 公式的 Python 实现 Haversine 公式是一种用于计算球面上两点之间最短距离的方法，通常应用于地理坐标系中的经纬度数据。以下是基于 Python 的 Haversine 公式实现方法： #### 使用 NumPy 和 SciPy 计算两组经纬度间的距离 下面是一个完整的函数定义以及调用示例。 ```python import numpy as np def haversine(lat1, lon1, lat2, lon2): """ Calculate the great circle distance between two points on the earth (specified in decimal degrees). Parameters: - lat1, lon1: Latitude and Longitude of point A. - lat2, lon2: Latitude and Longitude of point B. Returns: Distance in kilometers. """ R = 6371.0 # Earth's radius in km phi1 = np.radians(lat1) # Convert latitude to radians phi2 = np.radians(lat2) delta_phi = np.radians(lat2 - lat1) delta_lambda = np.radians(lon2 - lon1) a = np.sin(delta_phi / 2)**2 + \ np.cos(phi1) * np.cos(phi2) * np.sin(delta_lambda / 2)**2 c = 2 * np.arctan2(np.sqrt(a), np.sqrt(1 - a)) distance = R * c return distance # Example usage lat1, lon1 = 52.2296756, 21.0122287 # Warsaw coordinates lat2, lon2 = 41.8919300, 12.5113300 # Rome coordinates distance_km = haversine(lat1, lon1, lat2, lon2) print(f"The distance between Warsaw and Rome is {distance_km:.2f} km.") ``` 此代码片段实现了 Haversine 公式的核心逻辑，并通过输入两个地点的纬度和经度来返回它们之间的直线距离（单位为公里）。该公式的准确性得到了广泛验证[^2]。 --- #### 批量处理多个点的距离矩阵 如果需要批量计算一组点与其他所有点之间的距离，则可以扩展上述功能如下所示： ```python from itertools import product def batch_haversine(coords_list): """ Compute pairwise distances using the Haversine formula for multiple coordinate pairs. Parameters: coords_list: List of tuples [(latitude1, longitude1), ...] Returns: Numpy array containing all pairwise distances. """ results = [] for coord_pair in product(coords_list, repeat=2): dist = haversine(*coord_pair[0], *coord_pair[1]) results.append(dist) return np.array(results).reshape(len(coords_list), len(coords_list)) # Example Usage coordinates = [ (52.2296756, 21.0122287), # Warsaw (41.8919300, 12.5113300), # Rome (48.8566, 2.3522) # Paris ] dist_matrix = batch_haversine(coordinates) print("Distance Matrix:") print(dist_matrix) ``` 这段代码利用 `itertools.product` 来生成每一对可能的组合并应用 Haversine 函数完成逐对比较[^1]。 --- #### 利用 Pandas 进行分组操作 当面对大规模数据集时，Pandas 提供了一种高效的方式来管理这些数据。例如，在给定 DataFrame 中按 ID 对记录进行分组后，可进一步执行 Haversine 距离运算： ```python import pandas as pd data = { 'id': [1, 1, 2], 'coordinates': [[52.2296756, 21.0122287], [52.2296756, 21.0122287], [41.8919300, 12.5113300]] } df = pd.DataFrame(data) result = df.groupby('id').apply( lambda group: pd.Series(batch_haversine(group['coordinates'].tolist())) ) print(result) ``` 这里展示了如何结合 Pandas 数据结构与自定义 Haversine 方法来进行复杂的数据分析任务[^1]。 ---