基于经纬度矩阵计算距离矩阵

给定一个矩阵，计算距离矩阵是一个非常常见的需求，比如给定一个特征矩阵需要计算距离矩阵。自己写的话虽然简单每次写也往往很烦，而且自己写的代码效率过低了，使用scipy中的包的话无疑会好一点，具体来说，使用scipy.spatial.distance，该包的具体介绍可以看一下官网和这个博客。
下面贴一个我写的基于经纬度矩阵，计算两两间的距离的代码：
具体矩阵的形式是一个dataframe，一列是经度，一列是纬度，如下图所示，下面代码中的cam就是这个dataframe。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from scipy.spatial.distance import pdist
from scipy import spatial
import math

# 定义通过经纬度计算直线距离的函数
from math import radians, cos, sin, asin, sqrt
def geodistance(lng1,lat1,lng2,lat2):
    if lng1 == None or lng2 == None or lat1 == None or lat2 == None:
        return 999999
    elif (lng1 < 119 or lng1 > 121) or (lng2 < 119 or lng2 > 121) or (lat1 < 29 or lat1 > 30) or (lat2 < 29 or lat2 > 30):
        return 999999
    lng1 = float(lng1) ; lng2 = float(lng2) ; lat1 = float(lat1) ; lat2 = float(lat2)
    lng1,lat1,lng2,lat2 = map(radians,[lng1,lat1,lng2,lat2])
    dlon = lng2-lng1
    dlat = lat2-lat1
    a = sin(dlat/2)**2 + cos(lat1) * cos(lat2) * sin(dlon/2)**2
    distance = 2* asin(sqrt(a))*6371*1000
    distance = round(distance/1000,3)
    return distance
def caldis(u,v):
    # 计算输入矩阵中两个向量的距离
    return geodistance(u[0],u[1],v[0],v[1])
    
# 将cam转化为向量的形式
X = cam.values
X_mat = spatial.distance.squareform(pdist(X , metric=caldis))

上面代码得到的X_mat就是每两个经纬度点之间的直线距离了。
下面我还希望求出这个距离矩阵中每一行中距离小于等于1的个数,并将这个个数保存到dataframe cam中去，代码如下：

def sma1(ser):
    return (len(ser[ser<=1]))
cam['devdes'] = np.apply_along_axis(sma1, 1, X_mat)

如果不是一个矩阵各个样本两两间的距离，而是两个矩阵两两间的距离，则可以使用函数from scipy.spatial.distance import cdist，代码如下：

X_mat = cdist(cam[['lng','lat']].values , tmp[['lng','lat']].values , metric=caldis)

得到的结果是len(cam[[‘lng’,‘lat’]])行，len(tmp[[‘lng’,‘lat’]].values)列的一个矩阵，第i,j个元素代表的含义是cam[[‘lng’,‘lat’]]第i行和tmp[[‘lng’,‘lat’]]第j列两个元素的距离。