快速Haversine近似（Python / Pandas）

Question

熊猫数据框中的每一行都包含2点的经/纬度坐标。使用下面的Python代码，计算许多（几百万）行的这两个点之间的距离需要很长时间！

考虑到两个点相距不到50英里，并且精度不是很重要，是否可以使计算更快？

from math import radians, cos, sin, asin, sqrtdef haversine(lon1, lat1, lon2, lat2):
    """
    Calculate the great circle distance between two points 
    on the earth (specified in decimal degrees)
    """
    # 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 kmfor index, row in df.iterrows():
    df.loc[index, 'distance'] = haversine(row['a_longitude'], row['a_latitude'], row['b_longitude'], row['b_latitude'])

Answer 1

如果允许使用scikit-learn，我将给以下机会：from sklearn.neighbors import DistanceMetricdist = DistanceMetric.get_metric('haversine')# example datalat1, lon1 = 36.4256345, -5.1510261lat2, lon2 = 40.4165, -3.7026lon1, lat1, lon2, lat2 = map(np.radians, [lon1, lat1, lon2, lat2])X = [[lat1, lon1],      [lat2, lon2]]kms = 6367print(kms * dist.pairwise(X))