这是一个非常缓慢的过程。如果你有10，000个位置，而且它们彼此相距甚远，那么你需要下载并建模10，000个本地街道网络，以计算每个点周围的可达性。这意味着10，000次服务器调用、数据下载、图形构建和拓扑清理等。
因此，3分钟内完成100行对我来说似乎相当快，特别是考虑到这意味着您可以在大约300分钟（即5个小时）内完成所有10，000行。只需在睡觉前启动该过程，当您醒来时它就会完成。这里假设这是一次性计算，不需要频繁地重新计算。
另一种选择是将其并行化，比如将其划分为10个容器或流程，每个处理1，000个位置。根据您的估计时间，这将在30分钟内完成。
最后一个问题，OSMnx请求的限制是什么，特别是对于大数据？
使用OSMnx处理大规模网络模型的限制是计算机上的RAM量。

你可以通过删除函数中的for循环来减少时间，因为你创建了一个变量time data['time'] = data['length'] / meters_per_minute，在这个例子中walk_time=10, speed=4.5相当于每分钟走75米，或者总共走750米，所以不用创建变量time，只需要使用变量length，从中心节点走750米。
此外，get_nearest_node现在已弃用，因此现在必须使用nearest_nodes。
修改的代码：

import pandas as pd
import geopandas as gpd
from shapely.geometry import Point, Polygon
import networkx as nx
import osmnx as ox
ox.config(log_console=True, use_cache=True)

def get_isochrone(lon, lat, walk_time=10, speed=4.5):
    loc = (lat, lon)
    G = ox.graph_from_point(loc, simplify=True, network_type='walk')
    #G = ox.project_graph(G, to_crs="4483") # Use this line if the coordinates sistem returned from polys is changed from the original (check which crs you are using)
    gdf_nodes = ox.graph_to_gdfs(G, edges=False)
    x, y = gdf_nodes['geometry'].unary_union.centroid.xy
    center_node = ox.nearest_nodes(G, Y = y[0], X= x[0])
    walking_meters = walk_time * speed * 1000 / 60 #km per hour to m per minute times the minutes to walk
    subgraph = nx.ego_graph(G, center_node, radius=walking_meters, distance='length')
    node_points = [Point(data['x'], data['y']) for node, data in subgraph.nodes(data=True)]
    polys = gpd.GeoSeries(node_points).unary_union.convex_hull
    return polys