使用交互式地图和动画可视化伦敦的自行车流动性（上）

近年来，自行车共享系统已经成为流行的出行方式，为大都市地区的市民提供了一种绿色、灵活的交通方式。世界上许多国家的政府都认为这是一种创新战略，可能会带来许多社会效益。例如，它可以减少汽车的使用，从而减少温室气体排放，缓解城市中心的交通拥堵。

报告显示，77%的伦敦人认为骑自行车是短途出行的最快方式。从长远来看，这也可能有助于提高城市的预期寿命。

我一直在研究一种数据驱动的成本效益算法，以优化(重新平衡)伦敦公共自行车租赁计划桑坦德自行车(Santander Cycles)的系统。在真正研究这个算法之前，我必须深入研究大量的数据，如果我能以某种方式将它们可视化，那将会很有帮助。

让我们看看如何使用图形、地图和动画来可视化自行车共享系统。

你可以在这个网页上找到网络地图。大多数地图、动画和源代码都可以在GitHub上找到。数据现在可以在Kaggle上获得。

• 关于数据的更多信息-无聊的部分
• 柱形图
• 交互式地图
• 密度图
• 连接图
• 动画
• 结论
• 评论

我从伦敦交通局（TfL）获得了自行车出行的数据。自2012年以来，他们系统中的每一次自行车旅行都会被记录下来，这些公开的数据可以在线获取。

对2017年8月1日至9月13日的36天出行记录进行了分析。在此期间，伦敦的700个自行车停靠点中有大于150万人次使用。从2014年开始，我们见证了自行车出行量超过190%的增长。该系统中的自行车和停靠站数量都增加了两倍多，以适应伦敦市中心和地区自行车需求的显著增长。准确的数据将显示在我即将发布的论文中。敬请期待。

数据操作

我相信平日和周末的出行模式会有很大的不同。让我们做一些编码，看看这是不是真的。我们首先通过pd.read_csv（）导入行程数据。

# Load journey data

f = 'journeys.csv'
j = pd.read_csv(f)

date = j['date'].values
month = j['month'].values
year = j['year'].values
hour = j['hour'].values
minute = j['minute'].values
station_start = j['id_start'].values
station_end = j['id_end'].values

然后，我们按date.weekday()提取工作日的数据，并将一个24小时的工作日平均分成72个时间片，这样每个时间片代表20分钟的间隔。

# Compute IsWeekday

weekday = np.zeros(len(date))
weekday[:] = np.nan
cnt = 0

for _year, _month, _date, _hour, _minute in zip(year, month, date, hour, minute):
  _dt = datetime.datetime(_year, _month, _date, _hour, _minute)
  _weekday = _dt.weekday()
  weekday[cnt] = _weekday
  cnt += 1

IsWeekday = weekday < 5
j['IsWeekday'] = IsWeekday

# Compute TimeSlice

j['TimeSlice'] = (hour*3 + np.floor(minute/20)).astype(int)

我们还需要检查这些自行车旅行是否从/到废除的车站，因为没有办法获得这些车站的信息，如位置，车站名称等(干得好伦敦交通局)。我们给它们贴上了“无效”的标签。

# Load station data

f = 'stations.csv'
stations = pd.read_csv(f)
station_id = stations['station_id'].values

# Extract valid journeys

valid = np.zeros(len(date))
valid[:] = False
cnt = 0

for _start, _end in zip(station_start, station_end):
  if np.logical_and((_start in station_id), (_end in station_id)):
    valid[cnt] = True
  cnt += 1

j['Valid'] = valid

最后，我们只保留那些“有效”的、在工作日出行的出行记录，结果显示有73%的数据是在工作日出行的。

df = j[j["IsWeekday"] == True].drop(columns="IsWeekday")
df = df[df["Valid"] == True].drop(columns="Valid")
print('Ratio of valid journeys= {:.2f}%'.format(df.shape[0] / j.shape[0] * 100))

柱形图

我们终于深入到可视化部分！最简单的数据可视化形式可以说是图表。通过一个简单的groupby（’TimeSlice’）函数，我们可以看到在不同的时间段内的频繁行程。

grp_by_timeslice = df.groupby('TimeSlice').count().values[:,0]
plt.bar(range(0,72), grp_by_timeslice)
plt.xlabel('Time Slice')
plt.ylabel('Departures')
plt.show()

看到了吗?我们的假设是正确的!工作日和周末的出行模式是如此不同，我们可以看到工作日的两个高峰时段，大多数人在这两个时段通勤，但周末不是。我们也可以以类似的方式观察出行时间和速度的分布。

请注意，由于数据限制(它们不跟踪您的移动)，我们假设采用直线路径，这将比实际路径短，因此根据起点和终点之间的距离计算的速度将被低估。如果顾客把自行车归还到租车的地方，计算出的速度是0，这就解释了为什么在0公里/小时出现了一个奇怪的峰值。

如果说图表很花哨，那么地图就更花哨。我们将使用folium，它是一个制作交互式地图的spool.js的Python包装器。确保通过以下方式安装最新版本

$ pip install folium==0.7.0

（或其conda安装等效设备）。我在Google Colaboratory上工作，预装版本是0.2.0，功能很小。

（编辑：威海站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!