超酷炫，Python實作交通數據視覺化！

轉自：快學Python

今天分享一次Python交通數據分析與視覺化的實戰！其中主要是使用TransBigData庫快速高效地處理、分析、挖掘出租車GPS數據。

本文作者依托【交通時空大數據分析、挖掘與視覺化】一書中所介紹的相關技術開發了Python開源庫TransBigData，該庫面向交通時空大數據分析不同階段的處理需求，以簡潔、高效、靈活、易用的程式碼實作復雜的數據處理任務。

1、TransBigData簡介

TransBigData是一個為交通時空大數據處理、分析和視覺化而開發的Python包。TransBigData為處理常見的交通時空大數據（如出租車GPS數據、共享單車數據和公交車GPS數據等）提供了快速而簡潔的方法。TransBigData為交通時空大數據分析的各個階段提供了多種處理方法,程式碼簡潔、高效、靈活、易用，可以用簡潔的程式碼實作復雜的數據任務。

目前，TransBigData主要提供以下方法：

TransBigData可以透過pip或者conda安裝，在命令提示字元中執行下面程式碼即可安裝：

pip install -U transbigdata 


註意：這個庫安裝比較麻煩，如果使用遇到問題可以留言進【快學Python】交流群獲取解決方案。

安裝完成後，在Python中執行如下程式碼即可匯入TransBigData包。

import transbigdata as tbd


2、數據預處理

TransBigData 與數據處理中常用的Pandas和GeoPandas包能夠無縫銜接。首先我們引入Pandas包並讀取出租車GPS數據：

import pandas as pd
# 讀取數據
data = pd.read_csv('TaxiData-Sample.csv',header = None) 
data.columns = ['VehicleNum','time','lon','lat','OpenStatus','Speed'] 
data.head()

結果如圖2所示：

然後，引入GeoPandas包，讀取研究範圍的區域資訊並展示：

import geopandas as gpd
# 讀取研究範圍區域資訊
sz = gpd.read_file(r'sz/sz.shp')
sz.plot()

結果如圖3所示：

TransBigData包整合了交通時空數據的一些常用預處理方法。其中，tbd.clean_outofshape方法輸入數據和研究範圍區域資訊，能夠剔除研究範圍外的數據。而tbd.clean_taxi_status方法則可以剔除出租車GPS數據中載客狀態瞬間變化的記錄。在使用預處理方法時需要傳入數據表中重要資訊列所對應的列名，程式碼如下：

# 數據預處理
#剔除研究範圍外的數據，計算原理是在方法中先柵格化後柵格匹配研究範圍後實作對應。因此這裏需要同時定義柵格大小，越小則精度越高
data = tbd.clean_outofshape(data, sz, col=['lon', 'lat'], accuracy=500)
# 剔除出租車數據中載客狀態瞬間變化的數據
data = tbd.clean_taxi_status(data, col=['VehicleNum', 'time', 'OpenStatus'])


經過上面程式碼的處理，我們就已經將出租車GPS數據中研究範圍以外的數據和載客狀態瞬間變化的數據予以剔除。

3、數據柵格化

柵格形式（地理空間上相同大小的網格）是表達數據分布最基本的方法，GPS數據經過柵格化後，每個數據點都含有其所在的柵格資訊。采用柵格表達數據的分布時，其表示的分布情況與真實情況接近。

TransBigData工具為我們提供了一套完整、快速、便捷的柵格處理體系。用TransBigData進行柵格劃分時，首先需要確定柵格化的參數（可以理解為定義了一個柵格座標系），參數可以幫助我們快速進行柵格化：

# 定義研究範圍邊界
bounds = [113.75, 22.4,114.62, 22.86]
# 透過邊界獲取柵格化參數
params = tbd.area_to_params(bounds,accuracy = 1000)
params

輸出：

{'slon': 113.75,
'slat': 22.4,
'deltalon': 0.00974336289289822,
'deltalat': 0.008993210412845813,
'theta': 0,
'method': 'rect',
'gridsize': 1000}


此時輸出的柵格化參數params的內容儲存了柵格座標系的原點座標（slon、slat）、單個柵格的經緯度長寬 （deltalon、deltalat）、柵格的旋轉角度（theta）、柵格的形狀（method參數，其值可以是方形rect、三角形tri和六邊形hexa）以及柵格的大小（gridsize參數，單位為米）。

取得柵格化參數後，我們便可以用TransBigData中提供的方法對GPS數據進行柵格匹配、生成等操作。

完整的柵格處理方法體系如圖4所示：

使用tbd.GPS_to_grid方法能夠為每一個出租車GPS點生成，該方法會生成編號列LONCOL與 LATCOL，由這兩列共同指定所在的柵格：

# 將GPS數據對應至柵格，將生成的柵格編號列賦值到數據表上作為新的兩列
data['LONCOL'],data['LATCOL']= tbd.GPS_to_grids(data['lon'],data['lat'],params)


下一步，聚合集計每一柵格內的數據量，並為柵格生成地理幾何圖形，構建GeoDataFrame：

# 聚合集計柵格內數據量
grid_agg=data.groupby(['LONCOL','LATCOL'])['VehicleNum'].count().reset_index()
# 生成柵格的幾何圖形
grid_agg['geometry']=tbd.grid_to_polygon([grid_agg['LONCOL'],grid_agg['LATCOL']],params)
# 轉換為GeoDataFrame
grid_agg=gpd.GeoDataFrame(grid_agg)
# 繪制柵格
grid_agg.plot(column = 'VehicleNum',cmap = 'autumn_r')




結果如圖5所示：

對於一個正式的數據視覺化圖來說，我們還需要添加底圖、色條、指北針和比例尺。TransBigData也提供了相應的功能，程式碼如下：

import matplotlib.pyplot as plt
fig =plt.figure(1,(8,8),dpi=300)
ax =plt.subplot(111)
plt.sca(ax)
# 添加行政區劃邊界作為底圖
sz.plot(ax=ax,edgecolor=(0,0,0,0),facecolor=(0,0,0,0.1),linewidths=0.5)
# 定義色條位置
cax = plt.axes([0.04, 0.33, 0.02, 0.3])
plt.title('Data count')
plt.sca(ax)
# 繪制數據
grid_agg.plot(column = 'VehicleNum',cmap = 'autumn_r',ax = ax,cax = cax,legend = True)
# 添加指北針和比例尺
tbd.plotscale(ax,bounds = bounds,textsize = 10,compasssize = 1,accuracy = 2000,rect = [0.06,0.03],zorder = 10)
plt.axis('off')
plt.xlim(bounds[0],bounds[2])
plt.ylim(bounds[1],bounds[3])
plt.show()




結果如圖6所示：

4、訂單起訖點OD提取與聚合集計

針對出租車GPS數據，TransBigData提供了直接從數據中提取出出租車訂單起訖點（OD）資訊的方法，程式碼如下：

# 從GPS數據提取OD
oddat=tbd.taxigps_to_od(data,col=['VehicleNum','time','Lng','Lat','OpenStatus'])
oddata

結果如圖7所示：

TransBigData包提供的柵格化方法可以讓我們快速地進行柵格化定義，只需要修改accuracy參數，即可快速定義不同大小粒度的柵格。我們重新定義一個2km*2km的柵格座標系，將其參數傳入tbd.odagg_grid方法對OD進行柵格化聚合集計並生成GeoDataFrame：

# 重新定義柵格，獲取柵格化參數
params=tbd.area_to_params(bounds,accuracy = 2000)
# 柵格化OD聯集計
od_gdf=tbd.odagg_grid(oddata,params)
od_gdf.plot(column = 'count')

結果如圖8所示：

添加地圖底圖，色條與比例尺指北針：

# 建立圖框
import matplotlib.pyplot as plt
fig =plt.figure(1,(8,8),dpi=300)
ax =plt.subplot(111)
plt.sca(ax)
# 添加行政區劃邊界作為底圖
sz.plot(ax=ax,edgecolor=(0,0,0,1),facecolor=(0,0,0,0),linewidths=0.5)
# 繪制colorbar
cax=plt.axes([0.05, 0.33, 0.02, 0.3])
plt.title('Data count')
plt.sca(ax)
# 繪制OD
od_gdf.plot(ax = ax,column = 'count',cmap = 'Blues_r',linewidth = 0.5,vmax = 10,cax = cax,legend = True)
# 添加比例尺和指北針
tbd.plotscale(ax,bounds=bounds,textsize=10,compasssize=1,accuracy=2000,rect = [0.06,0.03],zorder = 10)
plt.axis('off')
plt.xlim(bounds[0],bounds[2])
plt.ylim(bounds[1],bounds[3])
plt.show()




結果如圖9所示：

同時，TransBigData包也提供了將OD直接聚合集計到區域間的方法：

# OD集計到區域
# 方法1：在不傳入柵格化參數時，直接用經緯度匹配
od_gdf = tbd.odagg_shape(oddata,sz,round_accuracy=6)
# 方法2：傳入柵格化參數時，程式會先柵格化後匹配以加快運算速度，數據量大時建議使用
od_gdf = tbd.odagg_shape(oddata,sz,params = params)
od_gdf.plot(column = 'count')


結果如圖10所示：

載入地圖底圖並調整出圖參數：

# 建立圖框
import matplotlib.pyplot as plt
import plot_map
fig =plt.figure(1,(8,8),dpi=300)
ax =plt.subplot(111)
plt.sca(ax)
# 添加行政區劃邊界作為底圖
sz.plot(ax = ax,edgecolor = (0,0,0,0),facecolor = (0,0,0,0.2),linewidths=0.5)
# 繪制colorbar
cax = plt.axes([0.05, 0.33, 0.02, 0.3])
plt.title('count')
plt.sca(ax)
# 繪制OD
od_gdf.plot(ax = ax,vmax = 100,column = 'count',cax = cax,cmap = 'autumn_r',linewidth = 1,legend = True)
# 添加比例尺和指北針
tbd.plotscale(ax,bounds = bounds,textsize = 10,compasssize = 1,accuracy = 2000,rect = [0.06,0.03],zorder = 10)
plt.axis('off')
plt.xlim(bounds[0],bounds[2])
plt.ylim(bounds[1],bounds[3])
plt.show()




結果如圖11所示：

5、互動視覺化

在TransBigData中，我們可以對出租車數據使用簡單的程式碼在jupyter notebook中快速進行互動視覺化。這些視覺化方法底層依托了keplergl包，視覺化的結果不再是靜態的圖片，而是能夠與滑鼠響應互動的地圖套用。

tbd.visualization_data方法可以實作數據分布的視覺化，將數據傳入該方法後，TransBigData會首先對數據點進行柵格集計，然後生成數據的柵格，並將數據量對映至顏色上。程式碼如下：

# 視覺化數據點分布
tbd.visualization_data(data,col = ['lon','lat'],accuracy=1000,height = 500) 


結果如圖12所示：

對於出租車數據中所提取出的出行OD，也可使用tbd.visualization_od方法實作OD的弧線視覺化。該方法也會對OD數據進行柵格聚合集計，生成OD弧線，並將不同大小的OD出行量對映至不同顏色。程式碼如下：

# 視覺化數據點分布
tbd.visualization_od(oddata,accuracy=2000,height = 500)


結果如圖13所示：

對個體級的連續追蹤數據，tbd.visualization_trip方法可以將數據點處理為帶有時間戳的軌跡資訊並動態地展示，程式碼如下：

# 動態視覺化軌跡
tbd.visualization_trip(data,col = ['lon','lat','VehicleNum','time'],height = 500)

結果圖14所示。點選其中的播放鍵，可以看到出租車執行的動態軌跡效果。