查找相鄰的多邊形R

Question

我有一張表，其中包含+ 500k行，其中的x ， y坐標由shapeid分組（總共289個id），並形成一個多邊形。

shapeid      x           y
1            679400.3   6600354
1            679367.9   6600348
1            679313.3   6600340
1            679259.5   6600331
1            679087.5   6600201
0            661116.3   6606615
0            661171.5   6606604
0            661182.7   6606605
0            661198.9   6606606
0            661205.9   6606605
...          ...        ...

我想找到相交或彼此最接近的坐標， 從本質上來說 ， 是找到每個Shapeid的物理鄰居 。

結果應類似於：

shapeid shapeid_neighbour1   shapeid_neighbour2

所以我嘗試像這樣使用sp和rgeos：

library(sp)
library(rgeos)

mydata <- read.delim('d:/temp/testfile.txt', header=T, sep=",")

sp.mydata <- mydata
coordinates(sp.mydata) <- ~x+y

當我上課時，一切看起來都很好：

class(sp.mydata)
[1] "SpatialPointsDataFrame"
attr(,"package")
[1] "sp"

我現在嘗試計算每個點的距離：

d <- gDistance(sp.mydata, byid=T)

R Studio遇到致命錯誤。 有任何想法嗎？ 我的計划是使用：

min.d <- apply(d, 1, function(x) order(x, decreasing=F)[2])

查找第二最短距離，即最近的點。 但這也許不是執行我想要的最佳方法-為每個Shapeid找到物理鄰居嗎？

Answer 1

假設數據shapeid的每個shapeid都可以標識多邊形的頂點，則需要首先根據坐標創建一個SpatialPolygons對象，然后應用gDistance函數了解任意一對多邊形之間的距離（假設這就是您要查找的） 。 為了創建SpatialPolygons您需要一個Polygons ，然后一個Polygon對象。 您可以在sp包的幫助頁面Polygon下找到詳細信息。

您可能很快就會發現一個問題：每個多邊形的坐標必須關閉，即每個Shapeid的最后一個頂點必須與第一個頂點相同。 據我從您的數據可以看出，您似乎並非如此。 因此，您應該“手動”為數據的每個子集添加一行。

您可以嘗試以下操作（假設df是您的起始數據幀）：

    require(rgeos)
    #split the dataframe for each shapeid and coerce to matrix
    coordlist<-lapply(split(df[,2:3],df$shapeid),as.matrix)
    #apply the following command only if the polygons don't close
    #coordlist<-lapply(coordilist, function(x) rbind(x,x[1,]))
    #create a SpatialPolygons for each shapeid
    SPList<-lapply(coordlist,function(x) SpatialPolygons(list(Polygons(list(Polygon(x)),1))))
    #initialize a matrix of distances
    distances<-matrix(0,ncol=length(SPList),nrow=length(SPList))
    #calculate the distances
    for (i in 1:(length(SPList)-1))
      for (j in (i+1):length(SPList))
        distances[i,j]<-gDistance(SPList[[i]],SPList[[j]])

這可能需要一些時間，因為您要計算289 * 288/2多邊形的距離。 最終，您將獲得距離矩陣。