A城市巡游车与网约车运营特征对比分析—数据可视化

最新推荐文章于 2021-11-13 15:20:31 发布

sosososoon

最新推荐文章于 2021-11-13 15:20:31 发布

阅读量1.1k

点赞数 1

CC 4.0 BY-SA版权

分类专栏：数据分析与挖掘文章标签：数据分析 python 大数据

本文链接：https://blog.csdn.net/sosososoon/article/details/108692781

数据分析与挖掘专栏收录该内容

25 篇文章

订阅专栏

本文通过数据分析和可视化展示了巡游车的使用情况，包括不同时间段的车辆数量、平均速度及位置分布等关键信息。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

初始化

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt 
import folium 
# 文件目录，绝对路径
INPUT_PATH = 'G:\DCIC\Data\\'

# 文件读取行数
MAX_ROWS = 100000

读取数据

# 巡游车 GPS 数据
taxigps2019 = pd.read_csv(INPUT_PATH + 'taxiGps20190531.csv',
                         dtype = {
                             'DRIVING_DIRECTION': np.uint16,
                             'OPERATING_STATUS': np.uint8,
                             'LONGITUDE': np.float32,
                             'LATITUDE': np.float32,
                             'GPS_SPEED': np.float16 
                         })
taxigps2019 = taxigps2019[taxigps2019.columns[::-1]] # 把列的顺序反过来
taxigps2019.sort_values(by=['CARNO','GPS_TIME'], inplace=True) # 根据车号以及GPS_TIME进行排序
taxigps2019.reset_index(inplace=True, drop=True)

数据可视化

24小时巡游车统计数量

taxigps2019['GPS_TIME'] = pd.to_datetime(taxigps2019['GPS_TIME'])
taxigps2019['GPS_TIME_hour'] = taxigps2019['GPS_TIME'].dt.hour

taxigps2019.groupby(['GPS_TIME_hour'])['CARNO'].nunique().plot() # 统计每个小时的巡游车数量
plt.ylabel('Car Count')

在这里插入图片描述

从图中可以看出，0时与12-15时的巡游车数量最少，其他时间的巡游车数量相近均在6600辆左右。

24小时巡游车平均GPS速度

taxigps2019['GPS_SPEED'] = np.clip(0, 150, taxigps2019['GPS_SPEED'])
taxigps2019.groupby(['GPS_TIME_hour'])['GPS_SPEED'].mean().plot() # 统计每个小时的GPS速度的平均值
taxigps2019[taxigps2019['GPS_SPEED'] != 0].groupby(['GPS_TIME_hour'])['GPS_SPEED'].mean().plot()
plt.legend(['Mean GPS Speed, contain 0', 'Mean GPS Speed, not contain 0'])

在这里插入图片描述

24小时巡游车平均运营车辆

import matplotlib.font_manager as fm

df = taxigps2019[taxigps2019['OPERATING_STATUS'] == 1]
df.groupby(['GPS_TIME_hour'])['CARNO'].nunique().plot()

df = taxigps2019[taxigps2019['OPERATING_STATUS'] == 8]
df.groupby(['GPS_TIME_hour'])['CARNO'].nunique().plot()

plt.legend(['STATUS 1', 'STATUS 8'])

在这里插入图片描述

某个时间巡游车位置分布

from folium import plugins
from folium.plugins import HeatMap

map_hooray = folium.Map(location=[24.482426, 118.157606], zoom_start=14)
HeatMap(taxigps2019[['LATITUDE', 'LONGITUDE']].iloc[:1000].values).add_to(map_hooray)
map_hooray

在这里插入图片描述

某个巡游车具体的路线

# 创建地图并绘制路线
m = folium.Map(location=[24.482426, 118.157606], zoom_start=12)
my_PolyLine=folium.PolyLine(locations=taxigps2019[taxigps2019['CARNO'] == '0006d282be70d06881a7513b69fcaa60'][['LATITUDE', 'LONGITUDE']].iloc[:50].values,weight=5)
m.add_child(my_PolyLine)

在这里插入图片描述

20190531-20190609 期间巡游车早上9点的平均速度变化

l_name = ['0531','0601','0602','0603','0604','0605','0606','0607','0608','0609']
l_mean_speed = []
for i in l_name:
    f_name = 'taxiGps2019'+i+'.csv'
    taxigps2019 = pd.read_csv(INPUT_PATH + f_name,usecols = [1,3,6],dtype = {'GPS_SPEED': np.float32})
    taxigps2019['GPS_TIME'] = pd.to_datetime(taxigps2019['GPS_TIME']).dt.hour
    mean_speed = taxigps2019[taxigps2019['GPS_TIME'] == 9].mean()
    l_mean_speed.append(mean_speed.values[0])
    del taxigps2019

plt.plot(l_name,l_mean_speed)

在这里插入图片描述

20190531-20190609 平均每辆巡游车运营时间（一天之内活跃的分钟个数）变化

l_name = ['0531','0601','0602','0603','0604','0605','0606','0607','0608','0609']
l_mean_run_time = []
for i in l_name:
    f_name = 'taxiGps2019'+i+'.csv'
    taxigps2019 = pd.read_csv(INPUT_PATH + f_name,usecols = [1,3,6],dtype = {'GPS_SPEED': np.float32})
    taxigps2019['GPS_TIME'] = pd.to_datetime(taxigps2019['GPS_TIME'])
    taxigps2019['GPS_TIME'] = taxigps2019['GPS_TIME'].dt.hour.astype(str) +taxigps2019['GPS_TIME'].dt.minute.astype(str) 
    mean_run_time = taxigps2019.groupby(['CARNO'])['GPS_TIME'].nunique().mean()
    l_mean_run_time.append(mean_run_time)
    del taxigps2019