使用如下數(shù)據(jù)， - 捕獲各種近距離位置的測(cè)量值Lat Long val35.611053 139.628525 -72.8235.61105336 139.6285236 -78.0435.61105373 139.6285223 -72.9935.61105409 139.6285209 -69.0435.61105445 139.6285195 -65.435.61105482 139.6285182 -66.6835.61105518 139.6285168 -65.8235.61105555 139.6285155 -64.4735.61105591 139.6285141 -71.2635.61105627 139.6285127 -68.3635.61105664 139.6285114 -74.4835.611057 139.62851 -74.2735.61105736 139.62851 -77.9735.61105773 139.62851 -68.6635.61105809 139.62851 -70.2135.61105845 139.62851 -76.0535.61105882 139.62851 -88.8335.61105918 139.62851 -73.1735.61105955 139.62851 -67.6335.61105991 139.62851 -71.8535.61106027 139.62851 -77.4235.61106064 139.62851 -71.0835.611061 139.62851 -79.27需要對(duì)此數(shù)據(jù)執(zhí)行分檔操作 - 即獲取每個(gè)0.1x0.1米中所有值的平均值。一種方法是找到邊緣（如NW，SW，NE和SE），并將其劃分為一組0.1x0.1米的網(wǎng)格和每個(gè)網(wǎng)格內(nèi)的查找值，并計(jì)算平均值并歸因于網(wǎng)格中心的緯度/經(jīng)度，以便我們得到如下結(jié)果。valLat Long Mean_val Sample_count雖然所提議的方法可能很幼稚，但還想知道是否可以有一種基于以下方法的方法：pandas
1 回答
萬千封印
TA貢獻(xiàn)1891條經(jīng)驗(yàn) 獲得超3個(gè)贊
通過 0.1 m * 0.1 m 面積輕松解決平均數(shù)據(jù)
為此，您必須將緯度，經(jīng)度坐標(biāo)轉(zhuǎn)換為x，y坐標(biāo)。
在這里，我使用模塊：utm
x,y,_,_ = utm.from_latlon(latitude, longitude)
之后，您可以創(chuàng)建一個(gè)新列，以分米為單位表示x，y坐標(biāo)：
def apply_fun (raw):
x,y,_,_ = utm.from_latlon(raw['Lat'],raw['Long'])
return str(np.round(x*10))+"|"+str(np.round(y*10))
然后將其添加到您的數(shù)據(jù)幀：
x = df.apply(lambda row : apply_fun(row),axis=1)
df.insert(3,'Group',x)
并應(yīng)用 groupby 函數(shù)：
gdf = df.groupby(['Group']).agg({"Lat":["mean"],"Long":["mean","count"],"val":["mean"]})
gdf = gdf.reset_index().drop(columns=['Group'],level=0)
gdf.columns = [' '.join(col) for col in gdf.columns]
我們完成了！:)
上一個(gè)解決方案的泛化
要按 k1 米 * k2 米面積對(duì)數(shù)據(jù)進(jìn)行分組，只需修改此函數(shù)：
def apply_fun (raw):
x,y,_,_ = utm.from_latlon(raw['Lat'],raw['Long'])
return str(np.round(x/k1))+"|"+str(np.round(y/k2))
對(duì)先前解決方案的批評(píng)
正如我之前指出的那樣，為了解決這個(gè)問題，我們必須將緯度，long轉(zhuǎn)換為x，y坐標(biāo)。
在前面的解決方案中，我將緯度，經(jīng)度轉(zhuǎn)換為utm坐標(biāo)。utm系統(tǒng)是一個(gè)制圖投影，將地球劃分為120個(gè)區(qū)域：60個(gè)北部和60個(gè)南部。因此，當(dāng)我們這樣做時(shí)：
x,y,area_number,NS = utm.from_latlon(raw['Lat'],raw['Long'])
(x,y)是我們?cè)谠摰貐^(qū)的位置。我們可以得出結(jié)論，當(dāng)我們的傳感器位于同一UTM區(qū)域時(shí)，我們的解決方案才有效。(area_number,NS)
我們還可以使用 ECEF 轉(zhuǎn)換進(jìn)行此轉(zhuǎn)換，該轉(zhuǎn)換直接將緯度，經(jīng)度轉(zhuǎn)換為 x，y 坐標(biāo)。我不知道這些方法的精度，由于我們被要求精確到十分之一米，我更喜歡選擇看起來更準(zhǔn)確的utm轉(zhuǎn)換。
如果要使用 ECEF 方法，請(qǐng)按如下方式完成：
import pyproj
def gps_to_ecef_pyproj(lat, lon, alt):
ecef = pyproj.Proj(proj='geocent', ellps='WGS84', datum='WGS84')
lla = pyproj.Proj(proj='latlong', ellps='WGS84', datum='WGS84')
x, y, z = pyproj.transform(lla, ecef, lon, lat, alt, radians=False)
return x, y, z
x,y,z = gps_to_ecef_pyproj(raw['Lat'],raw['Long'],0)
（我從這里獲取代碼：https://gis.stackexchange.com/questions/230160/converting-wgs84-to-ecef-in-python)
添加回答
舉報(bào)
0/150
提交
取消