使用交互式地图和动画可视化伦敦的自行车流动性(上)

  • 2020 年 2 月 23 日
  • 筆記

编辑 | sunlei 发布 | ATYUN订阅号

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。

目录

  1. 关于数据的更多信息
  2. 柱形图
  3. 交互式地图
  4. 密度图
  5. 连接图
  6. 动画
  7. 结论
  8. 评论

关于数据的更多信息

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()

平日(左)和周末(右)平均离港率

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。

行车时间分布(左)及速度分布(右)

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。

交互式地图

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。

我建立了一个简单的模板,用于生成带有圆圈标记(不同颜色)的地图使用群集。

import folium    # Change colours    def color_change(c):      if(c < 15):          return('red')      elif(15 <= c < 30):          return('orange')      else:          return('green')  # Create base map    London = [51.506949, -0.122876]  map = folium.Map(location = London,                   zoom_start = 12,                   tiles = "CartoDB positron")  marker_cluster = MarkerCluster(locations=[lat, lon]).add_to(map)    # Plot markers    for _lat, _lon, _cap, _name in zip(lat, lon, cap, name):      folium.CircleMarker(location = [_lat, _lon],                          radius = 9,                          popup = "("+str(_cap)+") "+_name,                          fill_color = color_change(_cap),                          color = "gray",                          fill_opacity = 0.9).add_to(marker_cluster)    f = 'map_station_cluster.html'  map.save(f)

为什么是集群?MarkerCluster()使标记在缩小时距离过近时聚集在一起。你不希望你的地图太乱,标记重叠。

站群图

放大时,它会自动取消聚集/展开:

站群地图-放大

但我答应过你们交互式地图。您可以设置弹出参数和显示站名称及其容量时,点击它。万岁!

站群图中的交互作用

此地图在

https://edenau.github.io/maps/station-cluster/上提供。

原文链接:

https://towardsdatascience.com/visualizing-bike-mobility-in-london-using-interactive-maps-for-absolute-beginners-3b9f55ccb59