给定lat/long，根据lat/long的json列表查找最近的位置

Question

给定一个json文件

{"BusStopCode": "00481", "RoadName": "Woodlands Rd", "Description": "BT PANJANG TEMP BUS PK", "Latitude": 1.383764, "Longitude": 103.7583},
{"BusStopCode": "01012", "RoadName": "Victoria St", "Description": "Hotel Grand Pacific", "Latitude": 1.29684825487647, "Longitude": 103.85253591654006}

，以此类推。。在

根据给定的每个公共汽车站的lat/5000，用户可以根据给定的公式找到最近的公共汽车站

^{pr2}$

我的问题是，对于用户输入的lat1和lon1，如何计算lat1 lon1和lat2 lon2之间的所有距离（其中lat2 lon2将取json文件中所有5000 lat/lon的值），然后打印最低的5个距离？在

我想用列表.排序但我不确定我是如何使用python计算所有5000个距离的。在

非常感谢你。在

编辑：

使用Eric Duminil的代码，下面的代码可以满足我的需要。在

from math import cos, sqrt
import sys
import json
busstops = json.loads(open("stops.json").read())
R = 6371000 #radius of the Earth in m 
def distance(lon1, lat1, lon2, lat2): 
  x = (lon2-lon1) * cos(0.5*(lat2+lat1)) 
  y = (lat2-lat1) 
  return R * sqrt( x*x + y*y )
buslist = sorted(busstops, key= lambda d: distance(d["Longitude"], d["Latitude"], 103.5, 1.2))
print(buslist[:5])

其中103.5，1.2 from buslist是一个用户输入经度纬度的示例。在

Answer 1

您可以简单地定义一个函数来计算距离，并使用^{}参数对公共汽车站进行排序：

from math import cos, sqrt

R = 6371000 #radius of the Earth in m
def distance(lon1, lat1, lon2, lat2):
    x = (lon2 - lon1) * cos(0.5*(lat2+lat1))
    y = (lat2 - lat1)
    return R * sqrt( x*x + y*y )

bustops = [{"BusStopCode": "00481", "RoadName": "Woodlands Rd", "Description": "BT PANJANG TEMP BUS PK", "Latitude": 1.383764, "Longitude": 103.7583},
{"BusStopCode": "01012", "RoadName": "Victoria St", "Description": "Hotel Grand Pacific", "Latitude": 1.29684825487647, "Longitude": 103.85253591654006}]

print(sorted(bustops, key= lambda d: distance(d["Longitude"], d["Latitude"], 103.5, 1.2)))
# [{'BusStopCode': '01012', 'RoadName': 'Victoria St', 'Description': 'Hotel Grand Pacific', 'Latitude': 1.29684825487647, 'Longitude': 103.85253591654006}, {'BusStopCode': '00481', 'RoadName': 'Woodlands Rd', 'Description': 'BT PANJANG TEMP BUS PK', 'Latitude': 1.383764, 'Longitude': 103.7583}]

一旦这个列表被排序，您可以简单地用[:5]提取最近的5个公共汽车站。 它应该足够快，即使有5000个公共汽车站。在

请注意，如果您不关心具体的距离，而只想对公共汽车站进行排序，则可以使用此函数作为键：

^{pr2}$

Answer 2

对于这样一个项目，我也做了同样的工作，但是计算一个大型数据集的所有距离可能需要很多时间。在

最后我得到了knn nearest neighbors，它更快，而且不需要一直重新计算距离：

import numpy as np
from sklearn.neighbors import NearestNeighbors

buslist = [{ ...., 'latitude':45.5, 'longitude':7.6}, { ...., 'latitude':48.532, 'longitude':7.451}]

buslist_coords = np.array([[x['latitude'], x['longitude']] for x in buslist]) #extracting x,y coordinates

# training the knn with the xy coordinates
knn = NearestNeighbors(n_neighbors=num_connections)
knn.fit(buslist_coords)
distances, indices = knn.kneighbors(xy_coordinates)
# you can pickle these and load them later to determinate the nearest point to an user


# finding the nearest point for a given coordinate
userlocation = [47.456, 6.25]
userlocation = np.array([[userlocation[0], userlocation[1]]])
distances, indices = knn.kneighbors(userlocation)

# get the 5 nearest stations in a list
nearest_stations = buslist[indices[0][:5]] # the order of the buslist must be the same when training the knn and finding the nearest point

# printing the 5 nearest stations
for station in nearest_stations :
    print(station)

之后，我用这些数据用networkx构建了一个图形，但我仍然使用knn.kneighbors公司（userlocation）查找用户最近的点。在