酷炫，Python實現交通數據視覺化！

1、TransBigData簡介

#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現複雜的資料任務。

目前，TransBigData主要提供以下方法：

• 資料預處理：對資料集提供快速計算資料量、時間段、取樣間隔等基本資訊的方法，也針對多種數據雜訊提供了相應的清洗方法。
• 資料柵格化：提供在研究區域內產生、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演算法將空間點資料映射到地理柵格上。
• 資料視覺化：基於視覺化套件keplergl，用簡單的程式碼即可在Jupyter Notebook上互動式地視覺化展示資料。
• 軌跡處理：從軌跡資料GPS點產生軌跡線型，軌跡點增密、稀疏化等。
• 地圖底圖、座標轉換與計算：載入顯示地圖底圖與各類特殊座標系之間的座標轉換。
• 特定處理方法：針對各類特定數據提供相應處理方法，如從出租車GPS數據中提取訂單起証點，從手機信令數據中識別居住地與工作地，從地鐵網絡GIS數據建構網路拓撲結構並計算最短路徑等。

TransBigData可以透過pip或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

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、資料預處理

TransBigData與資料處理中常用的Pandas和GeoPandas套件能夠無縫銜接。首先我們引進Pandas包並讀取計程車GPS資料：

import pandas as pd
# 读取数据
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：

▲圖2 計程車GPS資料

然後，引入GeoPandas包，讀取研究範圍的區域資訊並展示：

import geopandas as gpd
# 读取研究范围区域信息
sz = gpd.read_file(r'sz/sz.shp')
sz.plot()

結果如圖3所示：

▲圖3 研究範圍的區域資訊

TransBigData套件整合了一些交通時空資料的常用預處理方法。其中，tbd.clean_outofshape方法輸入資料和研究範圍區域信息，能夠剔除研究範圍外的資料。而tbd.clean_taxi_status方法則可以剔除出租車GPS資料中載客狀態瞬間變化的記錄。使用預處理方法時需要傳入資料表中重要資訊列所對應的列名，程式碼如下：

# 数据预处理
#剔除研究范围外的数据，计算原理是在方法中先栅格化后栅格匹配研究范围后实现对应。因此这里需要同时定义栅格大小，越小则精度越高
data = tbd.clean_outofshape(data, sz, col=['lon', 'lat'], accuracy=500)
# 剔除出租车数据中载客状态瞬间变化的数据
data = tbd.clean_taxi_status(data, col=['VehicleNum', 'time', 'OpenStatus'])

經過上述程式碼的處理，我們就已經將計程車GPS資料中研究範圍以外的資料和載客狀態瞬間變化的資料予以剔除。

3、資料柵格化

柵格形式（地理空間上相同大小的網格）是表達資料分佈最基本的方法，GPS資料經過柵格化後，每個資料點都含有其所在的柵格資訊。採用柵格表達資料的分佈時，其表示的分佈情況與真實情況接近。

TransBigData工具為我們提供了一套完整、快速、便捷的柵格處理系統。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：

# 定义研究范围边界
bounds = [113.75, 22.4,114.62, 22.86]
# 通过边界获取栅格化参数
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）、單一柵格的經緯度長寬（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資料進行柵格匹配、產生等操作。

完整的柵格處理方法系統如圖4所示：

#▲圖4 TransBigData所提供的柵格處理系統

#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：

# 将GPS数据对应至栅格，将生成的栅格编号列赋值到数据表上作为新的两列
data['LONCOL'],data['LATCOL']= tbd.GPS_to_grids(data['lon'],data['lat'],params)

下一步，聚合集计每一栅格内的数据量，并为栅格生成地理几何图形，构建GeoDataFrame：

# 聚合集计栅格内数据量
grid_agg=data.groupby(['LONCOL','LATCOL'])['VehicleNum'].count().reset_index()
# 生成栅格的几何图形
grid_agg['geometry']=tbd.grid_to_polygon([grid_agg['LONCOL'],grid_agg['LATCOL']],params)
# 转换为GeoDataFrame
grid_agg=gpd.GeoDataFrame(grid_agg)
# 绘制栅格
grid_agg.plot(column = 'VehicleNum',cmap = 'autumn_r')

结果如图5所示：

▲图5 数据栅格化的结果

对于一个正式的数据可视化图来说，我们还需要添加底图、色条、指北针和比例尺。TransBigData也提供了相应的功能，代码如下：

import matplotlib.pyplot as plt
fig =plt.figure(1,(8,8),dpi=300)
ax =plt.subplot(111)
plt.sca(ax)
# 添加行政区划边界作为底图
sz.plot(ax=ax,edgecolor=(0,0,0,0),facecolor=(0,0,0,0.1),linewidths=0.5)
# 定义色条位置
cax = plt.axes([0.04, 0.33, 0.02, 0.3])
plt.title('Data count')
plt.sca(ax)
# 绘制数据
grid_agg.plot(column = 'VehicleNum',cmap = 'autumn_r',ax = ax,cax = cax,legend = True)
# 添加指北针和比例尺
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()

结果如图6所示：

▲图6 tbd包绘制的出租车GPS数据分布

4、订单起讫点OD提取与聚合集计

针对出租车GPS数据，TransBigData提供了直接从数据中提取出出租车订单起讫点（OD）信息的方法，代码如下：

# 从GPS数据提取OD
oddat=tbd.taxigps_to_od(data,col=['VehicleNum','time','Lng','Lat','OpenStatus'])
oddata

结果如图7所示：

▲图7 tbd包提取的出租车OD

TransBigData包提供的栅格化方法可以让我们快速地进行栅格化定义，只需要修改accuracy参数，即可快速定义不同大小粒度的栅格。我们重新定义一个2km*2km的栅格坐标系，将其参数传入tbd.odagg_grid方法对OD进行栅格化聚合集计并生成GeoDataFrame：

# 重新定义栅格，获取栅格化参数
params=tbd.area_to_params(bounds,accuracy = 2000)
# 栅格化OD并集计
od_gdf=tbd.odagg_grid(oddata,params)
od_gdf.plot(column = 'count')

结果如图8所示：

▲图8 tbd集计的栅格OD

添加地图底图，色条与比例尺指北针：

# 创建图框
import matplotlib.pyplot as plt
fig =plt.figure(1,(8,8),dpi=300)
ax =plt.subplot(111)
plt.sca(ax)
# 添加行政区划边界作为底图
sz.plot(ax=ax,edgecolor=(0,0,0,1),facecolor=(0,0,0,0),linewidths=0.5)
# 绘制colorbar
cax=plt.axes([0.05, 0.33, 0.02, 0.3])
plt.title('Data count')
plt.sca(ax)
# 绘制OD
od_gdf.plot(ax = ax,column = 'count',cmap = 'Blues_r',linewidth = 0.5,vmax = 10,cax = cax,legend = True)
# 添加比例尺和指北针
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()

结果如图9所示：

▲ 图9 TransBigData绘制的栅格OD数据

同时，TransBigData包也提供了将OD直接聚合集计到区域间的方法：

# OD集计到区域
# 方法1：在不传入栅格化参数时，直接用经纬度匹配
od_gdf = tbd.odagg_shape(oddata,sz,round_accuracy=6)
# 方法2：传入栅格化参数时，程序会先栅格化后匹配以加快运算速度，数据量大时建议使用
od_gdf = tbd.odagg_shape(oddata,sz,params = params)
od_gdf.plot(column = 'count')

结果如图10所示：

▲图10 tbd集计的小区OD

加载地图底图并调整出图参数：

# 创建图框
import matplotlib.pyplot as plt
import plot_map
fig =plt.figure(1,(8,8),dpi=300)
ax =plt.subplot(111)
plt.sca(ax)
# 添加行政区划边界作为底图
sz.plot(ax = ax,edgecolor = (0,0,0,0),facecolor = (0,0,0,0.2),linewidths=0.5)
# 绘制colorbar
cax = plt.axes([0.05, 0.33, 0.02, 0.3])
plt.title('count')
plt.sca(ax)
# 绘制OD
od_gdf.plot(ax = ax,vmax = 100,column = 'count',cax = cax,cmap = 'autumn_r',linewidth = 1,legend = True)
# 添加比例尺和指北针
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()

结果如图11所示：

▲ 图11区域间OD可视化结果

5、交互可视化

在TransBigData中，我们可以对出租车数据使用简单的代码在jupyter notebook中快速进行交互可视化。这些可视化方法底层依托了keplergl包，可视化的结果不再是静态的图片，而是能够与鼠标响应交互的地图应用。

tbd.visualization_data方法可以实现数据分布的可视化，将数据传入该方法后，TransBigData会首先对数据点进行栅格集计，然后生成数据的栅格，并将数据量映射至颜色上。代码如下：

结果如图12所示：

# 可视化数据点分布
tbd.visualization_data(data,col = ['lon','lat'],accuracy=1000,height = 500)

▲ 图12数据分布的栅格可视化

对于出租车数据中所提取出的出行OD，也可使用tbd.visualization_od方法实现OD的弧线可视化。该方法也会对OD数据进行栅格聚合集计，生成OD弧线，并将不同大小的OD出行量映射至不同颜色。代码如下：

# 可视化数据点分布
tbd.visualization_od(oddata,accuracy=2000,height = 500)

结果如图13所示：

▲ 图13 OD分布的弧线可视化

对个体级的连续追踪数据，tbd.visualization_trip方法可以将数据点处理为带有时间戳的轨迹信息并动态地展示，代码如下：

# 动态可视化轨迹
tbd.visualization_trip(data,col = ['lon','lat','VehicleNum','time'],height = 500)

结果图14所示。点击其中的播放键，可以看到出租车运行的动态轨迹效果。

#

以上是酷炫，Python實現交通數據視覺化！的詳細內容。更多資訊請關注PHP中文網其他相關文章！