在属于行列表的连续点（x，y元组）之间的迭代欧几里德距离计算

Question

我有一个包含Lines，PointID，X和Y坐标的数据框; 每行包含一组带X，Y坐标的点：

LINE    Point ID    X coordinate    Y Coordinate
 A         1             1               2
 A         2             2               2
 A         3             3               2
 B         1             11              3
 B         2             12              3
 B         3             13              3

试图计算一条线内连续点之间的欧氏距离，以获得以下结果：

LINE    Point ID    X coordinate    Y Coordinate    Euclidean Dist.
  A         1             1              2    
  A         2             2              2                1 (dist between Point ID's 1 and 2 for line A)
  A         3             3              2                1 (dist between Point ID's 2 and 3 for line A)
  B         1            11              3  
  B         2            12              3                1 (dist between Point ID's 1 and 2 for line B)
  B         3            13              3                1 (dist between Point ID's 2 and 3 for line B)

我的Attemp是创建一个DataFrame，使用groupby对行'LINE'进行分组，然后使用scipy计算一行内连续点之间的欧氏距离：

predist = df.groupby(['LINE']).apply(lambda x: x)

dist = pdist(predist[['X', 'Y']], 'euclidean')

我肯定做错了，因为我得到的结果是一行中第一个点与一行内每个连续点之间的累积距离，而不是接收由连续点创建的每个单独段之间的距离（坐标元组） ）。

Answer 1

您可以使用shift()来查找LINE每个点的前一点的X和Y坐标。 然后计算此点与上一点之间的距离：

import pandas as pd
import numpy as np

data = """
LINE    PointID          X               Y
 A         1             1               2
 A         2             2               2
 A         3             3               2
 B         1             11              3
 B         2             12              3
 B         3             13              3"""
df = pd.read_csv(StringIO(data),sep="\s+")

dx = (df['X'] - df.groupby('LINE')['X'].shift())
dy = (df['Y'] - df.groupby('LINE')['Y'].shift())
df['dist'] = np.sqrt(dx**2 + dy**2)

这会产生预期的距离：

  LINE  PointID   X  Y  dist
0    A        1   1  2   NaN
1    A        2   2  2   1.0
2    A        3   3  2   1.0
3    B        1  11  3   NaN
4    B        2  12  3   1.0
5    B        3  13  3   1.0

NaN值可以以适合您的用例的方式填充。