python 探空数据根据“纬度”“经度”“纬度偏移量”“经度偏移量”列，纬度、经度、偏移量为浮点数，计算具体的经纬度

在Python中，如果您有包含“纬度”、“经度”、“纬度偏移量”和“经度偏移量”的DataFrame，并且这些值都是浮点数，可以使用这些值来计算新的、具体的经纬度。通常，这些偏移量是基于某种单位（如米、公里等）在地球表面上的距离转换而来的。由于地球是一个近似椭球体，计算精确的偏移后的经纬度需要考虑地球的曲率。

然而，对于小范围的偏移（例如几公里内），可以使用一种简化的方法，即“Haversine公式”的逆运算的一个近似版本，但这种方法通常用于从经纬度计算距离，而不是从距离反推经纬度。对于小偏移量，一个简单的线性近似（基于地球在某个点的切线平面）可能是足够的，但请注意这种方法的精度有限。

下面是一个使用线性近似的示例代码，但请注意这种方法并不精确，特别是在接近极点或偏移量较大时：

#!/usr/bin/python3
# -*- coding: utf-8 -*-
"""
@Time : 2025/1/20 22:24
@Author : Suyue
@Email : 1493117872@qq.com
@File : cloud_area.py
@Project : untitled4
"""
import pandas as pd
import numpy as np

# 读取CSV文件到DataFrame
df = pd.read_csv('D:/探空数据计算/tankong-2020-50527_with_final_times.csv')


# 并且这些偏移量是以某种单位（例如米）表示的在地球表面上的距离。
# 注意：这里的偏移量单位需要转换为度或弧度之前进行适当的转换，但这里我们假设是小偏移量并使用线性近似。

# 定义一个函数来计算新的经纬度
def calculate_new_coordinates(row, earth_radius=6371e3):  # 地球半径，单位：米
    # 注意：这里的偏移量转换是非常简化的，并不准确！
    # 正确的做法是使用更复杂的地理库（如geopy、pyproj）来进行精确的转换。
    # 但为了示例，我们假设偏移量很小，并且单位已经是度（这不是实际情况，仅用于演示）。

    # 获取原始经纬度
    lat = row['Lat']
    lon = row['Lon']

    # 获取偏移量（这里假设已经是度，实际上需要先从米转换为度）
    lat_dev = row['Lat_Dev']  # 实际上需要转换：offset_meters / (earth_radius * pi / 180) * cos(lat)
    lon_dev = row['Lon_Dev']  # 实际上需要转换：offset_meters / (earth_radius * cos(lat) * pi / 180)

    # 计算新的经纬度（这里直接使用加法，实际上应该使用更复杂的公式）
    new_lat = lat + lat_dev
    new_lon = lon + lon_dev

    return new_lat, new_lon


# 应用函数并添加新列
df[['New_Latitude', 'New_Longitude']] = df.apply(lambda row: pd.Series(calculate_new_coordinates(row)), axis=1)

# 将结果写入Excel文件
output_file_path = 'D:/探空数据计算/tankong-2020-50527_with_final_times_lat_lon.csv'
df.to_csv(output_file_path, index=False)  # index=False表示不写入行索引

# 打印成功消息
print(f"结果已成功写入Excel文件: {output_file_path}")

 批量处理数据：

#!usr/bin/env python
# -*- coding:utf-8 -*-
"""
@author: Suyue
@file: batch_process_raindrop_data.py
@time: 2025/02/19
@desc: 批量经纬度转换
"""
import pandas as pd
import numpy as np
import os
import glob

# 设置CSV文件所在的目录
input_directory = '/lianxi2/'

# 获取该目录下所有CSV文件的列表
csv_files = glob.glob(os.path.join(input_directory, '*.csv',))

# 遍历每个CSV文件
for csv_file in csv_files:
    # 读取CSV文件到DataFrame
    df = pd.read_csv(csv_file, encoding='gbk')


    # 定义一个函数来计算新的经纬度
    def calculate_new_coordinates(row, earth_radius=6371e3):
        # 注意：这里的偏移量转换是非常简化的，并不准确！
        # 正确的做法是使用更复杂的地理库（如geopy、pyproj）来进行精确的转换。
        # 但为了示例，我们假设偏移量很小，并且单位已经是度（这不是实际情况，仅用于演示）。

        # 获取原始经纬度
        lat = row['Lat']
        lon = row['Lon']

        # 获取偏移量（这里假设已经是度，实际上需要先从米转换为度）
        lat_dev = row['Lat_Dev']  # 实际上需要转换：offset_meters / (earth_radius * pi / 180) * cos(lat)
        lon_dev = row['Lon_Dev']  # 实际上需要转换：offset_meters / (earth_radius * cos(lat) * pi / 180)

        # 计算新的经纬度（这里直接使用加法，实际上应该使用更复杂的公式）
        new_lat = lat + lat_dev
        new_lon = lon + lon_dev
        return new_lat, new_lon


    # 应用函数并添加新列（注意：这里我们假设每个CSV文件都有'Lat', 'Lon', 'Lat_Dev', 'Lon_Dev'列）
    df[['New_Latitude', 'New_Longitude']] = df.apply(lambda row: pd.Series(calculate_new_coordinates(row)), axis=1)

    # 将结果写回原文件（这里直接覆盖原文件，请务必小心）
    # 如果想要保留原文件，可以将结果写入一个新文件，例如：csv_file.replace('.csv', '_modified.csv')
    df.to_csv(csv_file, index=False, encoding='gbk')

    # 打印成功消息（为了避免输出过多信息，这里可以选择性地打印每个文件的处理状态）
    # print(f"结果已成功写入文件: {csv_file}")

# 可选：打印一个总结消息表示所有文件都已处理完毕
print("所有文件都已成功处理。")