geo-poi-normalizer 0.1.0

地理POI归一化处理库，采用投影转换+各向同性缩放方案

GeoPOINormalizer：地理POI归一化库

GeoPOINormalizer是一个专业的Python库，用于地理位置POI(兴趣点)数据的科学归一化处理。它采用投影转换+各向同性缩放方案，解决了地理数据直接归一化导致的空间关系失真问题。

核心特性

• 保持距离比例：通过UTM投影和各向同性缩放，确保归一化后的POI点保持原始空间关系
• 双向转换：支持坐标和距离的归一化与反归一化，确保数据可逆性
• 灵活输出：支持[0,1]和[-1,1]两种标准化输出范围
• GIS集成：直接从Shapefile读取地理数据
• 详细报告：生成归一化过程的详细分析报告

安装

pip install geo-poi-normalizer

依赖项

• Python >= 3.6
• numpy >= 1.18.0
• pyproj >= 2.6.0
• pyshp >= 2.1.0

基本用法

from geo_poi_normalizer import GeoPOINormalizer

# 创建归一化器，输出范围设为[-1, 1]
normalizer = GeoPOINormalizer(output_range=(-1, 1))

# 添加POI点
points = [
    (116.4074, 39.9042),  # 北京
    (121.4737, 31.2304),  # 上海
    (113.2644, 23.1291),  # 广州
    (114.0579, 22.5431)   # 深圳
]
normalizer.add_points(points)

# 计算归一化参数
normalizer.compute_projection()
normalizer.compute_normalization_params()

# 归一化所有点
normalized_points = normalizer.normalize_points()
print("归一化后的点:")
for point in normalized_points:
    print(f"({point[0]:.4f}, {point[1]:.4f})")

# 反归一化示例
original_point = normalizer.denormalize_point(normalized_points[0][0], normalized_points[0][1])
print("\n反归一化第一个点:", original_point)

# 打印报告
normalizer.print_report()

高级功能

从Shapefile加载数据

# 创建归一化器，输出范围设为[0, 1]
normalizer = GeoPOINormalizer(output_range=(0, 1))

# 从shapefile加载POI
normalizer.load_from_shapefile("poi_data.shp", lat_field="latitude", lon_field="longitude")

# 计算并应用归一化
normalizer.compute_projection()
normalized_points = normalizer.normalize_points()

距离归一化

# 归一化距离
distance_km = 100  # 100公里
normalized_dist = normalizer.normalize_distance(distance_km * 1000)
print(f"100公里归一化距离: {normalized_dist:.6f}")

# 反归一化距离
original_dist = normalizer.denormalize_distance(normalized_dist) / 1000
print(f"反归一化距离: {original_dist:.2f}公里")

API参考

GeoPOINormalizer类

GeoPOINormalizer(output_range=(0, 1))

参数:

• output_range: 输出范围，支持(0,1)或(-1,1)

主要方法:

• add_point(lon, lat, *attributes): 添加单个POI点
• add_points(points): 批量添加POI点
• load_from_shapefile(shp_path, lat_field=None, lon_field=None): 从shapefile加载POI点
• compute_projection(ref_lon=None, ref_lat=None): 计算最优投影参数
• compute_normalization_params(): 计算归一化参数
• normalize_points(): 归一化所有点
• normalize_point(lon, lat): 归一化单个点
• denormalize_point(x_norm, y_norm): 反归一化单个点
• normalize_distance(distance_meters): 归一化距离(米)
• denormalize_distance(norm_distance): 反归一化距离
• get_normalization_report(): 获取归一化报告
• print_report(): 打印归一化报告

技术原理

1. 投影转换

使用UTM投影将经纬度$(λ, φ)$转换为平面坐标$(x, y)$： $$(x, y) = \text{UTM}(λ, φ)$$

2. 各向同性归一化

计算缩放因子： $$s = \max(x_{\max} - x_{\min}, y_{\max} - y_{\min})$$

归一化坐标： $$x_{\text{norm}} = \frac{x - x_{\min}}{s}$$ $$y_{\text{norm}} = \frac{y - y_{\min}}{s}$$

3. 输出范围调整

对于[-1, 1]范围： $$x_{\text{final}} = 2x_{\text{norm}} - 1$$ $$y_{\text{final}} = 2y_{\text{norm}} - 1$$

应用场景

• 强化学习环境：为地理位置状态表示提供标准化输入
• 空间数据分析：保持空间关系的数据预处理
• 地理特征工程：为机器学习模型准备地理特征
• 位置敏感的AI模型：提供空间感知的标准化输入

为什么需要GeoPOINormalizer？

直接将经纬度归一化会导致以下问题：

1. 距离失真：经纬度直接归一化会导致不同方向的距离比例失真
2. 形状扭曲：长宽比例失衡的区域会被严重扭曲
3. 精度不均：不同纬度的经度精度不同

GeoPOINormalizer通过UTM投影和各向同性缩放解决了这些问题，确保：

1. 距离比例保持：各个方向的距离比例关系保持一致
2. 形状保持：区域的几何形状基本保持不变
3. 高精度：在300km范围内提供高精度的距离计算

许可证

MIT