• 数据集笔记： Porto

    数据来源：Taxi Trajectory Data_数据集-阿里云天池 (aliyun.com)

    1 数据介绍

    • 葡萄牙波尔图市运行的所有442辆出租车的全年轨迹（从2013年7月1日至2014年6月30日）

    2  读取数据

    1. import  pandas as pd
    2.  
    3. tra=pd.read_csv('C:/Users/16000/Downloads/train/train(1).csv')
    4. tra

    170万条轨迹

    2.1 数据每一列的意义

    TRIP_ID每次行程的唯一标识符
    CALL_TYPE标识要求此服务的方式。可能包含三个可能的值之一：
    • ‘A’ 如果此行程是从中心调度的；
    • ‘B’ 如果此行程是直接要求特定站点的出租车司机的；
    • ‘C’ 其他（即在随机街道上要求的行程）。
    ORIGIN_CALL

    包含用于要求至少一项服务的每个电话号码的唯一标识符

    如果CALL_TYPE='A'，它标识行程的客户。否则，它假定为NULL值

    ORIGIN_STAND

    包含出租车站点的唯一标识符。

    如果CALL_TYPE='B'，它标识行程的起始点。否则，它假定为NULL值；

    TAXI_ID包含执行每次行程的出租车司机的唯一标识符；
    TIMESTAMP

    Unix时间戳（以秒为单位）

    标识行程的开始

    DAYTYPE

    标识行程开始的天类型。它假定三个可能的值之一：

    • ‘B’ 如果此行程开始于假日或任何其他特殊日子（即延长假期、浮动假期等）；
    • ‘C’ 如果行程开始于类型B天的前一天；
    • ‘A’ 其他（即正常日子，工作日或周末）。
    MISSING_DATA

    当GPS数据流完整时为FALSE

    当一个（或多个）位置缺失时为TRUE；

    POLYLINE

    以字符串形式映射的GPS坐标列表（即WGS84格式）

    此列表包含行程每15秒的一对坐标。

    最后一个列表项对应行程的目的地，而第一个代表其开始

     行程的总行驶时间定义为（点的数量-1）x 15秒。

    例如，POLYLINE中有101个数据点的行程长度为（101-1）* 15 = 1500秒

    3 python可视化一条轨迹

    1. loc=tra.at[0,'POLYLINE']
    2. loc
    3. '''
    4. '[[-8.618643,41.141412],[-8.618499,41.141376],[-8.620326,41.14251],[-8.622153,41.143815],[-8.623953,41.144373],[-8.62668,41.144778],[-8.627373,41.144697],[-8.630226,41.14521],[-8.632746,41.14692],[-8.631738,41.148225],[-8.629938,41.150385],[-8.62911,41.151213],[-8.629128,41.15124],[-8.628786,41.152203],[-8.628687,41.152374],[-8.628759,41.152518],[-8.630838,41.15268],[-8.632323,41.153022],[-8.631144,41.154489],[-8.630829,41.154507],[-8.630829,41.154516],[-8.630829,41.154498],[-8.630838,41.154489]]'
    5. '''
    6. #提取第一条轨迹的geometry
    7.  
    8.  
    9.  
    10.  
    11. loc_lst=json.loads(loc)
    12. loc_lst = [[lat, lon] for lon, lat in loc_lst]
    13. loc_lst
    14. '''
    15. [[41.141412, -8.618643],
    16.  [41.141376, -8.618499],
    17.  [41.14251, -8.620326],
    18.  [41.143815, -8.622153],
    19.  [41.144373, -8.623953],
    20.  [41.144778, -8.62668],
    21.  [41.144697, -8.627373],
    22.  [41.14521, -8.630226],
    23.  [41.14692, -8.632746],
    24.  [41.148225, -8.631738],
    25.  [41.150385, -8.629938],
    26.  [41.151213, -8.62911],
    27.  [41.15124, -8.629128],
    28.  [41.152203, -8.628786],
    29.  [41.152374, -8.628687],
    30.  [41.152518, -8.628759],
    31.  [41.15268, -8.630838],
    32.  [41.153022, -8.632323],
    33.  [41.154489, -8.631144],
    34.  [41.154507, -8.630829],
    35.  [41.154516, -8.630829],
    36.  [41.154498, -8.630829],
    37.  [41.154489, -8.630838]]
    38. '''
    39.  
    40. import numpy as np
    41. loc_lst=np.array(loc_lst)
    42. lat,lon=np.mean(loc_lst,axis=0)
    43. lat,lon
    44. #(41.14919347826088, -8.62801630434783)
    45.  
    46.  
    47. import folium
    48.  
    49. m=folium.Map(location=(lat,lon),
    50.             zoom_start=15)
    51.  
    52. folium.PolyLine(locations=loc_lst,
    53.                weight=10).add_to(m)
    54. m
    55. #画图

  • 相关阅读:
    网络技术十二：子网划分
    Tpflow V6.0.8 正式版发布
    Java数据结构-HashMap和HashSet
    简单而高效：使用PHP爬虫从网易音乐获取音频的方法
    GitLab使用webhook触发Jenkins自动构建
    Sigma中的数字增益放大/降低方法
    网卡bonding绑定
    29 WEB漏洞-CSRF及SSRF漏洞案例讲解
    SQL按月生成分区表，按月份查询该表数据
    Web前端 Promise 入门 【尚硅谷】
  • 原文地址：https://blog.csdn.net/qq_40206371/article/details/133386778