通过比较R中的两个数据帧找到最接近的点

编程问答 2022-06-13

问题描述

我在R中有一组两个数据帧

    First:    
site_no <- c("02110500","02110550","02110701","02110704","02110760","02110777","021108044","02110815")
lat_coor <- c(33.91267,33.85083,33.86100,33.83295,33.74073,33.85156,33.65017,33.44461)
long_coor <- c(-78.71502,-78.89722,-79.04115,-79.04365,-78.86669,-78.65585,-79.12310,-79.17393)
AllStations <- data.frame(site_no,lat_coor,long_coor)


    Second:
station <- c("USGS-02146110","USGS-02146110","USGS-021473426","USGS-021473426")
latitude <- c(34.88928,34.85651,34.71679,34.24320,34.80012,34.80012)
longitude <- c(-81.06869,-82.22622,-82.17372,-81.31954,-82.36512,-82.36512)
ContaminantStations <- data.frame(station,latitude,longitude)

我的数据集要长得多，但是出于这个问题的目的，我认为这应该足够了。

我想从第一个数据框（AllStations）中找到第二个数据框（ContaminantStations）中点半径内的所有站，并将它们附加到新的数据框中（仅来自AllStations），我需要提取包含所有信息的站点。我尝试了一些合乎逻辑的方法，但是它们都不起作用或没有道理。我也尝试使用RANN：nn2，但这只为我计数。

任何帮助将不胜感激

解决方法

我认为您只需要遍历AllStations内的每个对象，并返回半径内ContaminantStations的最接近值。

func <- function(stations,constations,radius = 250000) {
  if (!NROW(stations) || !NROW(constations)) return()
  if (length(radius) == 1 && NROW(constations) > 1) {
    radius <- rep(radius,NROW(constations))
  } else if (length(radius) != NROW(constations)) {
    stop("'radius' must be length 1 or the same as the number of rows in 'constations'")
  }
  out <- integer(NROW(stations))
  for (i in seq_len(NROW(stations))) {
    dists <- geosphere::distHaversine(stations[i,],constations)
    out[i] <- if (any(dists <= radius)) which.min(dists) else 0L
  }
  return(out)
}

这将返回一个整数向量，指示最接近的污染工位。如果半径范围内都不存在，则返回0。安全地将其用作原始帧上的行索引。

每个参数只能包含两列，第一列是经度。 （我不对函数中的列名做任何假设。）radius以米为单位，与geosphere包假设一致。

ind <- func(AllStations[,c("long_coor","lat_coor")],ContaminantStations[,c("longitude","latitude")],radius = 230000)
ind
# [1] 0 6 6 6 0 0 6 6

这些是ContaminantStations行上的索引，其中非零表示污染站最接近AllStations的特定行。

我们可以确定与此最接近的污染物站（有很多方法可以做到这一点，包括tidyverse和其他技术……这只是一个开始）。

AllStations$ClosestContaminantStation <- NA_character_
AllStations$ClosestContaminantStation[ind > 0] <- ContaminantStations$station[ind]
AllStations
#     site_no lat_coor long_coor ClosestContaminantStation
# 1  02110500 33.91267 -78.71502                      <NA>
# 2  02110550 33.85083 -78.89722            USGS-021473426
# 3  02110701 33.86100 -79.04115            USGS-021473426
# 4  02110704 33.83295 -79.04365            USGS-021473426
# 5  02110760 33.74073 -78.86669                      <NA>
# 6  02110777 33.85156 -78.65585                      <NA>
# 7 021108044 33.65017 -79.12310            USGS-021473426
# 8  02110815 33.44461 -79.17393            USGS-021473426

查看数据的依据：

ggplot of station locations

这种方法的另一种方法是返回最近的污染物测站的距离和索引，而与半径无关，以便稍后进行过滤。

func2 <- function(stations,NROW(constations))
  } else if (length(radius) != NROW(constations)) {
    stop("'radius' must be length 1 or the same as the number of rows in 'constations'")
  }
  out <- data.frame(ind = integer(NROW(stations)),dist = numeric(NROW(stations)))
  for (i in seq_len(NROW(stations))) {
    dists <- geosphere::distHaversine(stations[i,constations)
    out$ind[i] <- which.min(dists)
    out$dist[i] <- min(dists)
  }
  return(out)
}

示范，包括将污染站置于同一帧中。

AllStations2 <- cbind(
  AllStations,func2(AllStations[,"latitude")])
)
AllStations2
#     site_no lat_coor long_coor ind     dist
# 1  02110500 33.91267 -78.71502   1 241971.5
# 2  02110550 33.85083 -78.89722   6 227650.6
# 3  02110701 33.86100 -79.04115   6 214397.8
# 4  02110704 33.83295 -79.04365   6 214847.7
# 5  02110760 33.74073 -78.86669   6 233190.8
# 6  02110777 33.85156 -78.65585   6 249519.7
# 7 021108044 33.65017 -79.12310   6 213299.3
# 8  02110815 33.44461 -79.17393   6 217378.9
AllStations3 <- cbind(
  AllStations2,ContaminantStations[AllStations2$ind,]
)
AllStations3
#       site_no lat_coor long_coor ind     dist        station latitude longitude
# 1    02110500 33.91267 -78.71502   1 241971.5  USGS-02146110 34.88928 -81.06869
# 6    02110550 33.85083 -78.89722   6 227650.6 USGS-021473426 34.24320 -81.31954
# 6.1  02110701 33.86100 -79.04115   6 214397.8 USGS-021473426 34.24320 -81.31954
# 6.2  02110704 33.83295 -79.04365   6 214847.7 USGS-021473426 34.24320 -81.31954
# 6.3  02110760 33.74073 -78.86669   6 233190.8 USGS-021473426 34.24320 -81.31954
# 6.4  02110777 33.85156 -78.65585   6 249519.7 USGS-021473426 34.24320 -81.31954
# 6.5 021108044 33.65017 -79.12310   6 213299.3 USGS-021473426 34.24320 -81.31954
# 6.6  02110815 33.44461 -79.17393   6 217378.9 USGS-021473426 34.24320 -81.31954

您可以从此处随意选择半径：

subset(AllStations3,dist < 230000)
#       site_no lat_coor long_coor ind     dist        station latitude longitude
# 6    02110550 33.85083 -78.89722   6 227650.6 USGS-021473426  34.2432 -81.31954
# 6.1  02110701 33.86100 -79.04115   6 214397.8 USGS-021473426  34.2432 -81.31954
# 6.2  02110704 33.83295 -79.04365   6 214847.7 USGS-021473426  34.2432 -81.31954
# 6.5 021108044 33.65017 -79.12310   6 213299.3 USGS-021473426  34.2432 -81.31954
# 6.6  02110815 33.44461 -79.17393   6 217378.9 USGS-021473426  34.2432 -81.31954
distancedistancelatitude-longituderr