Apply函数在pandas中包含外部库：如何使其更快？

Question

我有一个数据帧，其中的行数约为900万行，包含纬度和经度，如下所示：

我尝试通过使用以下代码使用OSMnx库获取每个点的最近节点和到最近节点的距离：

measurementsQuery.run();

其中def nearest_node(Lat,Lon): nearest_node,dist=ox.get_nearest_node(G, (Lat,Lon), return_dist=True) return nearest_node def dist_to_Nnode(Lat,Lon): nearest_node,dist=ox.get_nearest_node(G, (Lat,Lon), return_dist=True) return dist df['nearest_node'] = np.vectorize(nearest_node)(df['Lat'],df['Lon']) df['dist_to_Nnode'] = np.vectorize(dist_to_Nnode)(df['Lat'],df['Lon']) 是网络图，并通过以下代码行获得：

G

我将先前的代码应用于import osmnx as ox import networkx as nx import os os.environ["PROJ_LIB"] =r'C:\Users\****\Anaconda3\Library\share' import osmnx as ox Graph_x= ox.graph_from_place('Beijing, China', which_result=2) G= ox.project_graph(Graph_x,to_crs={'proj':'longlat','epsg':'32750' ,'ellps':'WGS84', 'datum':'WGS84'}) #wgs 84 50S 的示例中，该示例已经给出了预期的结果，但是花了很多时间来计算df的总数。 如何更快地运行此代码？

Answer 1

对于OSMnx documentation，使用ox.get_nearest_nodes(G, X, Y, method='kdtree')，其中G是您的投影图，而X和Y是您的投影x和y坐标的向量。另外，如果您必须完全在未投影的lat-lng中工作，请使用method='balltree'。