這篇文章主要講解了“Python怎么實(shí)現(xiàn)交通數(shù)據(jù)可視化”，文中的講解內(nèi)容簡(jiǎn)單清晰，易于學(xué)習(xí)與理解，下面請(qǐng)大家跟著小編的思路慢慢深入，一起來研究和學(xué)習(xí)“Python怎么實(shí)現(xiàn)交通數(shù)據(jù)可視化”吧！
創(chuàng)新互聯(lián)公司專注于柳城企業(yè)網(wǎng)站建設(shè),自適應(yīng)網(wǎng)站建設(shè),商城網(wǎng)站定制開發(fā)。柳城網(wǎng)站建設(shè)公司,為柳城等地區(qū)提供建站服務(wù)。全流程按需求定制開發(fā)，專業(yè)設(shè)計(jì)，全程項(xiàng)目跟蹤，創(chuàng)新互聯(lián)公司專業(yè)和態(tài)度為您提供的服務(wù)
TransBigData為處理常見的交通時(shí)空大數(shù)據(jù)（如出租車GPS數(shù)據(jù)、共享單車數(shù)據(jù)和公交車GPS數(shù)據(jù)等）提供了快速而簡(jiǎn)潔的方法。TransBigData為交通時(shí)空大數(shù)據(jù)分析的各個(gè)階段提供了多種處理方法,代碼簡(jiǎn)潔、高效、靈活、易用，可以用簡(jiǎn)潔的代碼實(shí)現(xiàn)復(fù)雜的數(shù)據(jù)任務(wù)。
目前，TransBigData主要提供以下方法：
數(shù)據(jù)預(yù)處理：對(duì)數(shù)據(jù)集提供快速計(jì)算數(shù)據(jù)量、時(shí)間段、采樣間隔等基本信息的方法，也針對(duì)多種數(shù)據(jù)噪聲提供了相應(yīng)的清洗方法。
數(shù)據(jù)柵格化：提供在研究區(qū)域內(nèi)生成、匹配多種類型的地理柵格（矩形、三角形、六邊形及geohash柵格）的方法體系，能夠以向量化的方式快速算法將空間點(diǎn)數(shù)據(jù)映射到地理柵格上。
數(shù)據(jù)可視化：基于可視化包keplergl，用簡(jiǎn)單的代碼即可在Jupyter Notebook上交互式地可視化展示數(shù)據(jù)。
軌跡處理：從軌跡數(shù)據(jù)GPS點(diǎn)生成軌跡線型，軌跡點(diǎn)增密、稀疏化等。
地圖底圖、坐標(biāo)轉(zhuǎn)換與計(jì)算：加載顯示地圖底圖與各類特殊坐標(biāo)系之間的坐標(biāo)轉(zhuǎn)換。
特定處理方法：針對(duì)各類特定數(shù)據(jù)提供相應(yīng)處理方法，如從出租車GPS數(shù)據(jù)中提取訂單起訖點(diǎn)，從手機(jī)信令數(shù)據(jù)中識(shí)別居住地與工作地，從地鐵網(wǎng)絡(luò)GIS數(shù)據(jù)構(gòu)建網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)并計(jì)算最短路徑等。
TransBigData可以通過pip或者conda安裝，在命令提示符中運(yùn)行下面代碼即可安裝：
pip install -U transbigdata
安裝完成后，在Python中運(yùn)行如下代碼即可導(dǎo)入TransBigData包。
import transbigdata as tbd
TransBigData與數(shù)據(jù)處理中常用的Pandas和GeoPandas包能夠無縫銜接。首先我們引入Pandas包并讀取出租車GPS數(shù)據(jù)：
重慶分公司
重慶分公司
import pandas as pd
# 讀取數(shù)據(jù)
data = pd.read_csv('TaxiData-Sample.csv',header = None)
data.columns = ['VehicleNum','time','lon','lat','OpenStatus','Speed']
data.head()結(jié)果如圖2所示：
▲圖2 出租車GPS數(shù)據(jù)
然后，引入GeoPandas包，讀取研究范圍的區(qū)域信息并展示：
import geopandas as gpd # 讀取研究范圍區(qū)域信息 sz = gpd.read_file(r'sz/sz.shp') sz.plot()
結(jié)果如圖3所示：
▲圖3 研究范圍的區(qū)域信息
TransBigData包集成了交通時(shí)空數(shù)據(jù)的一些常用預(yù)處理方法。其中，tbd.clean_outofshape方法輸入數(shù)據(jù)和研究范圍區(qū)域信息，能夠剔除研究范圍外的數(shù)據(jù)。而tbd.clean_taxi_status方法則可以剔除出租車GPS數(shù)據(jù)中載客狀態(tài)瞬間變化的記錄。在使用預(yù)處理方法時(shí)需要傳入數(shù)據(jù)表中重要信息列所對(duì)應(yīng)的列名，代碼如下：
# 數(shù)據(jù)預(yù)處理 #剔除研究范圍外的數(shù)據(jù)，計(jì)算原理是在方法中先柵格化后柵格匹配研究范圍后實(shí)現(xiàn)對(duì)應(yīng)。因此這里需要同時(shí)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(shù)據(jù)中載客狀態(tài)瞬間變化的數(shù)據(jù) data = tbd.clean_taxi_status(data, col=['VehicleNum', 'time', 'OpenStatus'])
經(jīng)過上面代碼的處理，我們就已經(jīng)將出租車GPS數(shù)據(jù)中研究范圍以外的數(shù)據(jù)和載客狀態(tài)瞬間變化的數(shù)據(jù)予以剔除。
柵格形式（地理空間上相同大小的網(wǎng)格）是表達(dá)數(shù)據(jù)分布最基本的方法，GPS數(shù)據(jù)經(jīng)過柵格化后，每個(gè)數(shù)據(jù)點(diǎn)都含有其所在的柵格信息。采用柵格表達(dá)數(shù)據(jù)的分布時(shí)，其表示的分布情況與真實(shí)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(jìn)行柵格劃分時(shí)，首先需要確定柵格化的參數(shù)（可以理解為定義了一個(gè)柵格坐標(biāo)系），參數(shù)可以幫助我們快速進(jìn)行柵格化：
# 定義研究范圍邊界 bounds = [113.75, 22.4,114.62, 22.86] # 通過邊界獲取柵格化參數(shù) 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(shí)輸出的柵格化參數(shù)params的內(nèi)容存儲(chǔ)了柵格坐標(biāo)系的原點(diǎn)坐標(biāo)（slon、slat）、單個(gè)柵格的經(jīng)緯度長(zhǎng)寬 （deltalon、deltalat）、柵格的旋轉(zhuǎn)角度（theta）、柵格的形狀（method參數(shù)，其值可以是方形rect、三角形tri和六邊形hexa）以及柵格的大?。╣ridsize參數(shù)，單位為米）。
取得柵格化參數(shù)后，我們便可以用TransBigData中提供的方法對(duì)GPS數(shù)據(jù)進(jìn)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：
▲圖4 TransBigData所提供的柵格處理體系
使用tbd.GPS_to_grid方法能夠?yàn)槊恳粋€(gè)出租車GPS點(diǎn)生成，該方法會(huì)生成編號(hào)列LONCOL與 LATCOL，由這兩列共同指定所在的柵格：
# 將GPS數(shù)據(jù)對(duì)應(yīng)至柵格，將生成的柵格編號(hào)列賦值到數(shù)據(jù)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(jì)每一柵格內(nèi)的數(shù)據(jù)量，并為柵格生成地理幾何圖形，構(gòu)建GeoDataFrame：
# 聚合集計(jì)柵格內(nèi)數(shù)據(jù)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(zhuǎn)換為GeoDataFrame grid_agg=gpd.GeoDataFrame(grid_agg) # 繪制柵格 grid_agg.plot(column = 'VehicleNum',cmap = 'autumn_r')
結(jié)果如圖5所示：
▲圖5 數(shù)據(jù)柵格化的結(jié)果
對(duì)于一個(gè)正式的數(shù)據(jù)可視化圖來說，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(yīng)的功能，代碼如下：
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(qū)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(shù)據(jù)
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(jié)果如圖6所示：
▲圖6 tbd包繪制的出租車GPS數(shù)據(jù)分布
針對(duì)出租車GPS數(shù)據(jù)，TransBigData提供了直接從數(shù)據(jù)中提取出出租車訂單起訖點(diǎn)（OD）信息的方法，代碼如下：
# 從GPS數(shù)據(jù)提取OD oddat=tbd.taxigps_to_od(data,col=['VehicleNum','time','Lng','Lat','OpenStatus']) oddata
結(jié)果如圖7所示：
▲圖7 tbd包提取的出租車OD
TransBigData包提供的柵格化方法可以讓我們快速地進(jìn)行柵格化定義，只需要修改accuracy參數(shù)，即可快速定義不同大小粒度的柵格。我們重新定義一個(gè)2km*2km的柵格坐標(biāo)系，將其參數(shù)傳入tbd.odagg_grid方法對(duì)OD進(jìn)行柵格化聚合集計(jì)并生成GeoDataFrame：
# 重新定義柵格，獲取柵格化參數(shù) params=tbd.area_to_params(bounds,accuracy = 2000) # 柵格化OD并集計(jì) od_gdf=tbd.odagg_grid(oddata,params) od_gdf.plot(column = 'count')
結(jié)果如圖8所示：
▲圖8 tbd集計(jì)的柵格OD
添加地圖底圖，色條與比例尺指北針：
# 創(chuàng)建圖框
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(qū)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(jié)果如圖9所示：
▲ 圖9 TransBigData繪制的柵格OD數(shù)據(jù)
同時(shí)，TransBigData包也提供了將OD直接聚合集計(jì)到區(qū)域間的方法：
# OD集計(jì)到區(qū)域 # 方法1：在不傳入柵格化參數(shù)時(shí)，直接用經(jīng)緯度匹配 od_gdf = tbd.odagg_shape(oddata,sz,round_accuracy=6) # 方法2：傳入柵格化參數(shù)時(shí)，程序會(huì)先柵格化后匹配以加快運(yùn)算速度，數(shù)據(jù)量大時(shí)建議使用 od_gdf = tbd.odagg_shape(oddata,sz,params = params) od_gdf.plot(column = 'count')
結(jié)果如圖10所示：
▲圖10 tbd集計(jì)的小區(qū)OD
加載地圖底圖并調(diào)整出圖參數(shù)：
# 創(chuàng)建圖框
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(qū)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(jié)果如圖11所示：
▲ 圖11區(qū)域間OD可視化結(jié)果
在TransBigData中，我們可以對(duì)出租車數(shù)據(jù)使用簡(jiǎn)單的代碼在jupyter notebook中快速進(jìn)行交互可視化。這些可視化方法底層依托了keplergl包，可視化的結(jié)果不再是靜態(tài)的圖片，而是能夠與鼠標(biāo)響應(yīng)交互的地圖應(yīng)用。
tbd.visualization_data方法可以實(shí)現(xiàn)數(shù)據(jù)分布的可視化，將數(shù)據(jù)傳入該方法后，TransBigData會(huì)首先對(duì)數(shù)據(jù)點(diǎn)進(jìn)行柵格集計(jì)，然后生成數(shù)據(jù)的柵格，并將數(shù)據(jù)量映射至顏色上。代碼如下：
結(jié)果如圖12所示：
# 可視化數(shù)據(jù)點(diǎn)分布 tbd.visualization_data(data,col = ['lon','lat'],accuracy=1000,height = 500)
▲ 圖12數(shù)據(jù)分布的柵格可視化
對(duì)于出租車數(shù)據(jù)中所提取出的出行OD，也可使用tbd.visualization_od方法實(shí)現(xiàn)OD的弧線可視化。該方法也會(huì)對(duì)OD數(shù)據(jù)進(jìn)行柵格聚合集計(jì)，生成OD弧線，并將不同大小的OD出行量映射至不同顏色。代碼如下：
# 可視化數(shù)據(jù)點(diǎn)分布 tbd.visualization_od(oddata,accuracy=2000,height = 500)
結(jié)果如圖13所示：
▲ 圖13 OD分布的弧線可視化
對(duì)個(gè)體級(jí)的連續(xù)追蹤數(shù)據(jù)，tbd.visualization_trip方法可以將數(shù)據(jù)點(diǎn)處理為帶有時(shí)間戳的軌跡信息并動(dòng)態(tài)地展示，代碼如下：
# 動(dòng)態(tài)可視化軌跡 tbd.visualization_trip(data,col = ['lon','lat','VehicleNum','time'],height = 500)
結(jié)果圖14所示。點(diǎn)擊其中的播放鍵，可以看到出租車運(yùn)行的動(dòng)態(tài)軌跡效果。
感謝各位的閱讀，以上就是“Python怎么實(shí)現(xiàn)交通數(shù)據(jù)可視化”的內(nèi)容了，經(jīng)過本文的學(xué)習(xí)后，相信大家對(duì)Python怎么實(shí)現(xiàn)交通數(shù)據(jù)可視化這一問題有了更深刻的體會(huì)，具體使用情況還需要大家實(shí)踐驗(yàn)證。這里是創(chuàng)新互聯(lián)，小編將為大家推送更多相關(guān)知識(shí)點(diǎn)的文章，歡迎關(guān)注！
