溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
這篇文章主要講解了“Python怎么實現交通數據可視化”，文中的講解內容簡單清晰，易于學習與理解，下面請大家跟著小編的思路慢慢深入，一起來研究和學習“Python怎么實現交通數據可視化”吧！
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,代碼簡潔、高效、靈活、易用，可以用簡潔的代碼實現復雜的數據任務。
目前，TransBigData主要提供以下方法：
數據預處理：對數據集提供快速計算數據量、時間段、采樣間隔等基本信息的方法，也針對多種數據噪聲提供了相應的清洗方法。
數據柵格化：提供在研究區域內生成、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數據映射到地理柵格上。
數據可視化：基于可視化包keplergl，用簡單的代碼即可在Jupyter Notebook上交互式地可視化展示數據。
軌跡處理：從軌跡數據GPS點生成軌跡線型，軌跡點增密、稀疏化等。
地圖底圖、坐標轉換與計算：加載顯示地圖底圖與各類特殊坐標系之間的坐標轉換。
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數據中提取訂單起訖點，從手機信令數據中識別居住地與工作地，從地鐵網絡GIS數據構建網絡拓撲結構并計算最短路徑等。
TransBigData可以通過pip或者conda安裝，在命令提示符中運行下面代碼即可安裝：
pip install -U transbigdata
安裝完成后，在Python中運行如下代碼即可導入TransBigData包。
import transbigdata as tbd
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包并讀取出租車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：
▲圖2 出租車GPS數據
然后，引入GeoPandas包，讀取研究范圍的區域信息并展示：
import geopandas as gpd # 讀取研究范圍區域信息 sz = gpd.read_file(r'sz/sz.shp') sz.plot()
結果如圖3所示：
▲圖3 研究范圍的區域信息
TransBigData包集成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范圍區域信息，能夠剔除研究范圍外的數據。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信息列所對應的列名，代碼如下：
# 數據預處理 #剔除研究范圍外的數據，計算原理是在方法中先柵格化后柵格匹配研究范圍后實現對應。因此這里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'])
經過上面代碼的處理，我們就已經將出租車GPS數據中研究范圍以外的數據和載客狀態瞬間變化的數據予以剔除。
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數據經過柵格化后，每個數據點都含有其所在的柵格信息。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坐標系），參數可以幫助我們快速進行柵格化：
# 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 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的內容存儲了柵格坐標系的原點坐標（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）。
取得柵格化參數后，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：
▲圖4 TransBigData所提供的柵格處理體系
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，并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：
▲圖5 數據柵格化的結果
對于一個正式的數據可視化圖來說，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：
▲圖6 tbd包繪制的出租車GPS數據分布
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）信息的方法，代碼如下：
# 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：
▲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的柵格坐標系，將其參數傳入tbd.odagg_grid方法對OD進行柵格化聚合集計并生成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并集計 od_gdf=tbd.odagg_grid(oddata,params) od_gdf.plot(column = 'count')
結果如圖8所示：
▲圖8 tbd集計的柵格OD
添加地圖底圖，色條與比例尺指北針：
# 創建圖框
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：
▲ 圖9 TransBigData繪制的柵格OD數據
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，程序會先柵格化后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：
▲圖10 tbd集計的小區OD
加載地圖底圖并調整出圖參數：
# 創建圖框
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：
▲ 圖11區域間OD可視化結果
在TransBigData中，我們可以對出租車數據使用簡單的代碼在jupyter notebook中快速進行交互可視化。這些可視化方法底層依托了keplergl包，可視化的結果不再是靜態的圖片，而是能夠與鼠標響應交互的地圖應用。
tbd.visualization_data方法可以實現數據分布的可視化，將數據傳入該方法后，TransBigData會首先對數據點進行柵格集計，然后生成數據的柵格，并將數據量映射至顏色上。代碼如下：
結果如圖12所示：
# 可視化數據點分布 tbd.visualization_data(data,col = ['lon','lat'],accuracy=1000,height = 500)
▲ 圖12數據分布的柵格可視化
對于出租車數據中所提取出的出行OD，也可使用tbd.visualization_od方法實現OD的弧線可視化。該方法也會對OD數據進行柵格聚合集計，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：
# 可視化數據點分布 tbd.visualization_od(oddata,accuracy=2000,height = 500)
結果如圖13所示：
▲ 圖13 OD分布的弧線可視化
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信息并動態地展示，代碼如下：
# 動態可視化軌跡 tbd.visualization_trip(data,col = ['lon','lat','VehicleNum','time'],height = 500)
結果圖14所示。點擊其中的播放鍵，可以看到出租車運行的動態軌跡效果。
感謝各位的閱讀，以上就是“Python怎么實現交通數據可視化”的內容了，經過本文的學習后，相信大家對Python怎么實現交通數據可視化這一問題有了更深刻的體會，具體使用情況還需要大家實踐驗證。這里是億速云，小編將為大家推送更多相關知識點的文章，歡迎關注！
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
