Python에서 수백만 개의 데이터 포인트에 대한 Haversine 거리를 효율적으로 계산하려면 어떻게 해야 합니까?

Numpy 벡터화를 사용하여 Python/Pandas에서 빠른 Haversine 근사

위도 및 경도 좌표와 관련된 수백만 개의 데이터 포인트를 처리할 때 다음을 사용하여 거리를 계산합니다. Haversine 공식은 시간이 많이 걸릴 수 있습니다. 이 기사에서는 Haversine 함수의 벡터화된 Numpy 구현을 제공하여 성능을 크게 향상시킵니다.

원래 Haversine 함수:

원래 Haversine 함수는 Python으로 작성되었습니다.

<code class="python">from math import radians, cos, sin, asin, sqrt
def haversine(lon1, lat1, lon2, lat2):
    # convert decimal degrees to radians 
    lon1, lat1, lon2, lat2 = map(radians, [lon1, lat1, lon2, lat2])
    # haversine formula 
    dlon = lon2 - lon1 
    dlat = lat2 - lat1 
    a = sin(dlat/2)**2 + cos(lat1) * cos(lat2) * sin(dlon/2)**2
    c = 2 * asin(sqrt(a)) 
    km = 6367 * c
    return km</code>

벡터화된 Numpy Haversine 함수:

벡터화된 Numpy 구현은 Numpy의 최적화된 배열 작업을 활용합니다.

<code class="python">import numpy as np

def haversine_np(lon1, lat1, lon2, lat2):
    lon1, lat1, lon2, lat2 = map(np.radians, [lon1, lat1, lon2, lat2])
    
    dlon = lon2 - lon1
    dlat = lat2 - lat1
    
    a = np.sin(dlat/2.0)**2 + np.cos(lat1) * np.cos(lat2) * np.sin(dlon/2.0)**2
    
    c = 2 * np.arcsin(np.sqrt(a))
    km = 6378.137 * c
    return km</code>

성능 비교:

벡터화된 Numpy 기능은 수백만 개의 입력 포인트를 즉시 처리할 수 있습니다. 예를 들어 무작위로 생성된 값을 생각해 보세요.

<code class="python">lon1, lon2, lat1, lat2 = np.random.randn(4, 1000000)
df = pandas.DataFrame(data={'lon1':lon1,'lon2':lon2,'lat1':lat1,'lat2':lat2})
km = haversine_np(df['lon1'],df['lat1'],df['lon2'],df['lat2'])</code>

원래 Python 함수를 사용하면 상당한 시간이 걸리는 이 계산이 즉시 완료됩니다.

결론:

Numpy를 사용하여 Haversine 함수를 벡터화하면 대규모 데이터 세트의 성능을 크게 향상시킬 수 있습니다. Numpy의 최적화된 배열 작업을 통해 여러 데이터 포인트를 효율적으로 처리하여 계산 오버헤드를 줄이고 거리 계산 속도를 높일 수 있습니다. 이러한 최적화를 통해 대규모 데이터 세트에 대한 실시간 지리공간 분석을 수행할 수 있습니다.

위 내용은 Python에서 수백만 개의 데이터 포인트에 대한 Haversine 거리를 효율적으로 계산하려면 어떻게 해야 합니까?의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!