计算时间顺序坐标之间的距离和速度

计算时间顺序坐标之间的距离和速度

似乎您可以使用的魔力

pandas

。

读取数据

pandas dataframe

使用以下

read_csv()

功能从csv文件中创建一个很容易：

import pandas as pddf = pd.read_csv(filename)

根据您的样本数据，这将创建以下内容

dataframe

：

    ID        timestamp   latitude  longitude0    3   6/9/2017 22:20  38.795333  77.0088831    1   5/5/2017 13:10  38.889011  77.0500612    2  2/10/2017 16:23  40.748249  73.9841913    1   5/5/2017 12:35  38.920602  77.2223294    3  6/10/2017 10:00  42.366211  71.0209435    1   5/5/2017 20:00  38.897416  77.0368336    2   2/10/2017 7:30  38.851426  77.0422987    3   6/9/2017 10:20  38.917346  77.2225538    2  2/10/2017 19:51  40.782869  73.9675449    3   6/10/2017 6:42  38.954268  77.44969510   1   5/5/2017 16:35  38.872875  77.00776311   2  2/10/2017 10:00  40.776931  73.876155

转换时间戳列

Pandas（通常是python）具有大量用于日期和时间 *** 作的库。但是首先，您需要通过将timestamp列（字符串）转换为datetime对象来准备数据。我假设您的数据采用格式

"MM/DD/YYYY"

（因为未指定）。

df['timestamp'] = pd.to_datetime(df['timestamp'], format='%m/%d/%Y %H:%M')

辅助功能

您将必须定义一些函数来计算距离和速度。Haversine距离函数就是根据此答案改编的。

from math import sin, cos, sqrt, atan2, radiansdef getDistanceFromLatLonInKm(lat1,lon1,lat2,lon2):    R = 6371 # Radius of the earth in km    dLat = radians(lat2-lat1)    dLon = radians(lon2-lon1)    rLat1 = radians(lat1)    rLat2 = radians(lat2)    a = sin(dLat/2) * sin(dLat/2) + cos(rLat1) * cos(rLat2) * sin(dLon/2) * sin(dLon/2)     c = 2 * atan2(sqrt(a), sqrt(1-a))    d = R * c # Distance in km    return ddef calc_velocity(dist_km, time_start, time_end):    """Return 0 if time_start == time_end, avoid dividing by 0"""    return dist_km / (time_end - time_start).seconds if time_end > time_start else 0

进行一些中间变量

我们想在每一行上计算Haversine函数，但是我们需要第一行的每组一些信息。幸运的是，

pandas

让这个容易

sort_values()

，

groupby()

和

transform()

。

以下代码创建了3个新列，每个列分别用于每个ID的初始纬度，经度和时间。

# First sort by ID and timestamp:df = df.sort_values(by=['ID', 'timestamp'])# Group the sorted dataframe by ID, and grab the initial value for lat, lon, and time.df['lat0'] = df.groupby('ID')['latitude'].transform(lambda x: x.iat[0])df['lon0'] = df.groupby('ID')['longitude'].transform(lambda x: x.iat[0])df['t0'] = df.groupby('ID')['timestamp'].transform(lambda x: x.iat[0])

应用功能

# create a new column for distancedf['dist_km'] = df.apply(    lambda row: getDistanceFromLatLonInKm(        lat1=row['latitude'],        lon1=row['longitude'],        lat2=row['lat0'],        lon2=row['lon0']    ),    axis=1)# create a new column for velocitydf['velocity_kmps'] = df.apply(    lambda row: calc_velocity(        dist_km=row['dist_km'],        time_start=row['t0'],        time_end=row['timestamp']    ),    axis=1)

结果

>>> print(df[['ID', 'timestamp', 'latitude', 'longitude', 'dist_km', 'velocity_kmps']])    IDtimestamp   latitude  longitude     dist_km  velocity_kmps3    1 2017-05-05 12:35:00  38.920602  77.222329    0.000000       0.0000001    1 2017-05-05 13:10:00  38.889011  77.050061   15.314742       0.00729310   1 2017-05-05 16:35:00  38.872875  77.007763   19.312148       0.0013415    1 2017-05-05 20:00:00  38.897416  77.036833   16.255868       0.0006096    2 2017-02-10 07:30:00  38.851426  77.042298    0.000000       0.00000011   2 2017-02-10 10:00:00  40.776931  73.876155  344.880549       0.0383202    2 2017-02-10 16:23:00  40.748249  73.984191  335.727502       0.0104988    2 2017-02-10 19:51:00  40.782869  73.967544  339.206320       0.0076297    3 2017-06-09 10:20:00  38.917346  77.222553    0.000000       0.0000000    3 2017-06-09 22:20:00  38.795333  77.008883   22.942974       0.0005319    3 2017-06-10 06:42:00  38.954268  77.449695   20.070609       0.0002744    3 2017-06-10 10:00:00  42.366211  71.020943  648.450485       0.007611

在这里，我将留给您了解如何获取每个ID的最后一个条目。