A城市巡游车与网约车运营特征对比分析—地图及订单数据统计

最新推荐文章于 2022-11-01 12:20:29 发布
最新推荐文章于 2022-11-01 12:20:29 发布
阅读量1.6k 收藏 9
点赞数 3
分类专栏： 数据分析与挖掘 文章标签： 大数据 数据挖掘
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/sosososoon/article/details/108693159
版权

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

地图数据统计：

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.float32 
                         })

taxigps2019 = taxigps2019[taxigps2019.columns[::-1]]
taxigps2019['GPS_TIME'] = pd.to_datetime(taxigps2019['GPS_TIME'])
taxigps2019.sort_values(by=['CARNO','GPS_TIME'], inplace=True)
taxigps2019.reset_index(inplace=True, drop=True)
taxigps2019.head()
CARNOLATITUDELONGITUDEGPS_TIMEDRIVING_DIRECTIONGPS_SPEEDOPERATING_STATUS
00006d282be70d06881a7513b69fcaa6024.479755118.1469352019-05-31 01:31:202920.01
10006d282be70d06881a7513b69fcaa6024.479755118.1469352019-05-31 01:31:352920.01
20006d282be70d06881a7513b69fcaa6024.479755118.1469352019-05-31 01:31:502920.01
30006d282be70d06881a7513b69fcaa6024.479755118.1469352019-05-31 01:32:052920.01
40006d282be70d06881a7513b69fcaa6024.479755118.1469352019-05-31 01:32:202920.01

统计每辆巡游车最早、最晚出现的记录：

df_first = taxigps2019.groupby(['CARNO']).first()
print('最早出现的记录：')
df_first.head() 

最早出现的记录：
LATITUDELONGITUDEGPS_TIMEDRIVING_DIRECTIONGPS_SPEEDOPERATING_STATUS
CARNO
0006d282be70d06881a7513b69fcaa6024.479755118.1469352019-05-31 01:31:202920.0000001
000e8886a7b27ca761e34d59b1dee35c24.550379118.1030122019-05-31 01:31:3814872.1999976
001df76bfa67259259f596c6dd353e6a24.499088118.1411822019-05-31 01:31:0927837.0000006
001e3756542dc796b402dfd1b56fd4ec24.471125118.1055602019-05-31 01:31:1434635.0999986
002b23a3762ea245f18cc896a55579d224.544592118.1024632019-05-31 01:31:211990.3000001
df_last = taxigps2019.groupby(['CARNO']).last()
print('最晚出现的记录：')
df_last.head() 

最晚出现的记录：
LATITUDELONGITUDEGPS_TIMEDRIVING_DIRECTIONGPS_SPEEDOPERATING_STATUS
CARNO
0006d282be70d06881a7513b69fcaa6024.498701118.0301822019-05-31 23:59:585444.4000021
000e8886a7b27ca761e34d59b1dee35c24.538876118.1298902019-05-31 23:59:492320.0000001
001df76bfa67259259f596c6dd353e6a24.488588118.1571962019-05-31 23:59:4725230.1000006
001e3756542dc796b402dfd1b56fd4ec24.524464118.1470952019-05-31 23:59:498012.9000006
002b23a3762ea245f18cc896a55579d224.497768118.1803742019-05-31 23:59:4500.0000001

统计每辆巡游车最早最晚的时间间隔：

df_first = taxigps2019.groupby(['CARNO']).first()
df_last = taxigps2019.groupby(['CARNO']).last()

df = df_last['GPS_TIME'] - df_first['GPS_TIME']
df = df.reset_index()

df['GPS_HOUR'] = df['GPS_TIME'].dt.seconds / 3600 # 秒转换为小时
df['GPS_HOUR'] = df['GPS_HOUR'].astype(int)
df.set_index('CARNO', inplace=True)
df.head()
GPS_TIMEGPS_HOUR
CARNO
0006d282be70d06881a7513b69fcaa600 days 22:28:3822
000e8886a7b27ca761e34d59b1dee35c0 days 22:28:1122
001df76bfa67259259f596c6dd353e6a0 days 22:28:3822
001e3756542dc796b402dfd1b56fd4ec0 days 22:28:3522
002b23a3762ea245f18cc896a55579d20 days 22:28:2422

统计每辆巡游车的经纬度和速度极差：

taxigps2019 = taxigps2019[taxigps2019['LATITUDE'] != 0]
taxigps2019 = taxigps2019[taxigps2019['LONGITUDE'] != 0]

df['LATITUDE_PTP'] = taxigps2019.groupby(['CARNO'])['LATITUDE'].apply(np.ptp)
df['LONGITUDE_PTP'] = taxigps2019.groupby(['CARNO'])['LONGITUDE'].apply(np.ptp)
df['GPS_SPEED_PTP'] = taxigps2019.groupby(['CARNO'])['GPS_SPEED'].apply(np.ptp)

df.head()
GPS_TIMEGPS_HOURLATITUDE_PTPLONGITUDE_PTPGPS_SPEED_PTP
CARNO
0006d282be70d06881a7513b69fcaa600 days 22:28:38220.0824240.16724479.599998
000e8886a7b27ca761e34d59b1dee35c0 days 22:28:11220.2180860.22843990.699997
001df76bfa67259259f596c6dd353e6a0 days 22:28:38220.0892410.11176374.099998
001e3756542dc796b402dfd1b56fd4ec0 days 22:28:35220.2089610.17615598.099998
002b23a3762ea245f18cc896a55579d20 days 22:28:24220.1137220.11389278.099998
df[(df['LATITUDE_PTP'] == 0)&(df['LONGITUDE_PTP'] == 0)&(df['GPS_SPEED_PTP'] == 0)].count()

GPS_TIME         39
GPS_HOUR         39
LATITUDE_PTP     39
LONGITUDE_PTP    39
GPS_SPEED_PTP    39
dtype: int64

通过统计经纬度以及GPS速度的极差是否为0，可以剔除全天GPS异常的车辆。

计算每辆巡游车的平均经纬度，并绘制热力图：

df['LONGITUDE_MEAN'] = taxigps2019.groupby(['CARNO'])['LONGITUDE'].mean()
df['LATITUDE_MEAN'] = taxigps2019.groupby(['CARNO'])['LATITUDE'].mean()
df = df.dropna()

from folium import plugins
from folium.plugins import HeatMap

map_hooray = folium.Map(location=[24.482426, 118.157606], zoom_start=14)
HeatMap(df[['LATITUDE_MEAN', 'LONGITUDE_MEAN']].iloc[:1000].values).add_to(map_hooray)
map_hooray

在这里插入图片描述

对比分析2019，2020年端午节前一天巡游车平均速度的变化：

# 2019年端午节6月7日，2020年端午节6月25日
taxigps2019 = pd.read_csv(INPUT_PATH + 'taxiGps20190606.csv',
                         dtype = {
                             'DRIVING_DIRECTION': np.uint16,
                             'OPERATING_STATUS': np.uint8,
                             'LONGITUDE': np.float16,
                             'LATITUDE': np.float16,
                             'GPS_SPEED': np.float32 
                         })
dwq2019 = taxigps2019['GPS_SPEED'].mean()
del taxigps2019
taxigps2020 = pd.read_csv(INPUT_PATH + 'taxiGps20200624.csv',
                         dtype = {
                             'DRIVING_DIRECTION': np.uint16,
                             'OPERATING_STATUS': np.uint8,
                             'LONGITUDE': np.float16,
                             'LATITUDE': np.float16,
                             'GPS_SPEED': np.float32 
                         })
dwq2020 = taxigps2020['GPS_SPEED'].mean()
del taxigps2020
print(dw2019)
print(dw2020) 

243.19984
218.5537

对比分析2019年端午假期前、端午假期中和假期后，巡游车日平均速度变化：

l_name = ['0606','0607','0608','0609']
speed2019 = []
for i in l_name:
    taxigps2019 = pd.read_csv(INPUT_PATH + 'taxiGps2019'+i+'.csv',
                         dtype = {
                             'DRIVING_DIRECTION': np.uint16,
                             'OPERATING_STATUS': np.uint8,
                             'LONGITUDE': np.float16,
                             'LATITUDE': np.float16,
                             'GPS_SPEED': np.float32 
                         })
    speed2019.append(taxigps2019['GPS_SPEED'].mean())

plt.plot(l_name,speed2019)

在这里插入图片描述

订单数据统计

del taxigps2019
taxiorder2019 = pd.read_csv(INPUT_PATH + 'taxiOrder20190531.csv',
                           dtype = {
                               'GETON_LONGITUDE': np.float32,
                               'GETON_LATITUDE': np.float32,
                               'GETOFF_LONGITUDE': np.float32,
                               'GETOFF_LATITUDE': np.float32,
                               'PASS_MILE': np.float16,
                               'NOPASS_MILE': np.float16,
                               'WAITING_TIME': np.float32
                           })
taxiorder2019 = taxiorder2019.rename(columns={'CAR_NO':'CARNO'})
taxiorder2019.sort_values(by=['CARNO','GETON_DATE'], inplace=True) # 根据车号和上车时间进行排序
taxiorder2019.reset_index(inplace=True, drop=True)
taxiorder2019.head()
CARNOGETON_DATEGETON_LONGITUDEGETON_LATITUDEGETOFF_DATEGETOFF_LONGITUDEGETOFF_LATITUDEPASS_MILENOPASS_MILEWAITING_TIME
00006d282be70d06881a7513b69fcaa602019-05-31 00:08:00118.15506024.5060352019-05-31 00:13:00118.17666624.5098953.0996091.29980562.0
10006d282be70d06881a7513b69fcaa602019-05-31 00:27:00118.15470924.4887732019-05-31 00:32:00118.16300224.5047612.9003914.10156234.0
20006d282be70d06881a7513b69fcaa602019-05-31 00:44:00118.15508324.5060902019-05-31 00:55:00118.15660924.4508097.6015622.90039171.0
30006d282be70d06881a7513b69fcaa602019-05-31 01:57:00118.11774424.4792752019-05-31 02:01:00118.12435224.4720861.7998058.70312517.0
40006d282be70d06881a7513b69fcaa602019-05-31 02:14:00118.11769124.4824372019-05-31 02:29:00118.15497624.4886114.6992195.101562425.0

上下客点分布密度：

  • 上车经纬度分布热力图：
df = taxiorder2019.groupby(['CARNO'])['GETON_LONGITUDE'].mean() 
df = df.reset_index()
df.set_index('CARNO', inplace=True)
df['GETON_LATITUDE'] = taxiorder2019.groupby(['CARNO'])['GETON_LATITUDE'].mean()
df.head()
GETON_LONGITUDEGETON_LATITUDE
CARNO
0006d282be70d06881a7513b69fcaa60118.11631024.496180
000e8886a7b27ca761e34d59b1dee35c118.06875624.568338
001df76bfa67259259f596c6dd353e6a102.00956021.137037
001e3756542dc796b402dfd1b56fd4ec118.12536624.499846
002b23a3762ea245f18cc896a55579d2100.29605120.792345
map_hooray = folium.Map(location=[24.482426, 118.157606], zoom_start=14)
HeatMap(df[['GETON_LATITUDE', 'GETON_LONGITUDE']].values).add_to(map_hooray)
map_hooray

在这里插入图片描述

  • 下车经纬度分布热力图：
df['GETOFF_LONGITUDE'] = taxiorder2019.groupby(['CARNO'])['GETOFF_LONGITUDE'].mean()
df['GETOFF_LATITUDE'] = taxiorder2019.groupby(['CARNO'])['GETOFF_LATITUDE'].mean()
df.head()
GETON_LONGITUDEGETON_LATITUDEGETOFF_LONGITUDEGETOFF_LATITUDE
CARNO
0006d282be70d06881a7513b69fcaa60118.11631024.496180118.11814124.496452
000e8886a7b27ca761e34d59b1dee35c118.06875624.568338113.53883423.626139
001df76bfa67259259f596c6dd353e6a102.00956021.137037118.11827124.478399
001e3756542dc796b402dfd1b56fd4ec118.12536624.499846118.12139124.505577
002b23a3762ea245f18cc896a55579d2100.29605120.792345100.29344220.792120
map_hooray = folium.Map(location=[24.482426, 118.157606], zoom_start=14)
HeatMap(df[['GETOFF_LATITUDE', 'GETOFF_LONGITUDE']].values).add_to(map_hooray)
map_hooray

在这里插入图片描述

巡游车在（118.155060±0.01）、（24.506035±0.01）方位内打车的平均等待时间：

taxiorder2019[(118.155060-0.01<taxiorder2019['GETON_LONGITUDE'])&(taxiorder2019['GETON_LONGITUDE']<118.155060+0.01)&
              (24.506035-0.01<taxiorder2019['GETON_LATITUDE'])&(taxiorder2019['GETON_LATITUDE']<24.506035+0.01)]['WAITING_TIME'].mean()

276.4932

统计出租订单平均等待时间超过600秒的经纬度：

f = lambda x:str(round(x,3))
taxiorder2019['GETON_POSITION'] = taxiorder2019['GETON_LONGITUDE'].apply(f)+','+taxiorder2019['GETON_LATITUDE'].apply(f)
df = taxiorder2019.groupby(['GETON_POSITION'])['WAITING_TIME'].mean()
df = df.reset_index()
df.set_index('GETON_POSITION', inplace=True) 
df = df[ taxiorder2019.groupby(['GETON_POSITION'])['WAITING_TIME'].mean() > 600]
df = df.reset_index() 
df['GETON_POSITION'].value_counts() 

118.147,24.456    1
118.158,24.492    1
117.997,24.615    1
118.158,24.488    1
118.122,24.621    1
                 ..
118.091,24.523    1
118.149,24.489    1
118.186,24.505    1
118.074,24.612    1
118.156,24.452    1
Name: GETON_POSITION, Length: 631, dtype: int64

统计20190531 - 20190609 期间出租订单经纬度上平均等待时间长的位置（且位置出现频率大于5）：

l_name = ['0531','0601','0602','0603','0604','0605','0606','0607','0608','0609']
from collections import Counter
counter = Counter()
for i in l_name:
    taxiorder2019 = pd.read_csv(INPUT_PATH + 'taxiOrder2019'+i+'.csv',
                           dtype = {
                               'GETON_LONGITUDE': np.float32,
                               'GETON_LATITUDE': np.float32,
                               'GETOFF_LONGITUDE': np.float32,
                               'GETOFF_LATITUDE': np.float32,
                               'PASS_MILE': np.float16,
                               'NOPASS_MILE': np.float16,
                               'WAITING_TIME': np.float32
                           })
    taxiorder2019 = taxiorder2019.rename(columns={'CAR_NO':'CARNO'})
    taxiorder2019.sort_values(by=['CARNO','GETON_DATE'], inplace=True) # 根据车号和上车时间进行排序
    taxiorder2019.reset_index(inplace=True, drop=True)
    taxiorder2019['GETON_POSITION'] = taxiorder2019['GETON_LONGITUDE'].apply(f)+','+taxiorder2019['GETON_LATITUDE'].apply(f)
    df = taxiorder2019.groupby(['GETON_POSITION'])['WAITING_TIME'].mean()
    df = df.reset_index()
    df.set_index('GETON_POSITION', inplace=True) 
    df = df[ taxiorder2019.groupby(['GETON_POSITION'])['WAITING_TIME'].mean() > 600]
    df = df.reset_index() 
    counter.update(df['GETON_POSITION'].values) 

sorted(counter.items(),key=lambda x:x[1], reverse = True) 

[('0.0,0.0', 10),
 ('117.939,24.492', 8),
 ('118.13,24.486', 7),
 ('118.023,24.48', 6),
 ('118.109,24.431', 6),
 ('118.226,24.569', 6),
 ('118.019,24.482', 5),
 ('118.052,24.5', 5),
 ('118.166,24.481', 5),
 ('118.167,24.48', 5),
 ('118.228,24.568', 5),
 ('118.11,24.489', 5),
 ('118.036,24.491', 5),
 ('118.068,24.464', 5),
 ...]

对比2019年和2020年出租车端午节订单的平均等待时间，是如何变化的：

# 2019年端午节6月7日，2020年端午节6月25日
taxiorder2019 = pd.read_csv(INPUT_PATH + 'taxiOrder2019'+'0607'+'.csv',
                           dtype = {
                               'GETON_LONGITUDE': np.float32,
                               'GETON_LATITUDE': np.float32,
                               'GETOFF_LONGITUDE': np.float32,
                               'GETOFF_LATITUDE': np.float32,
                               'PASS_MILE': np.float16,
                               'NOPASS_MILE': np.float16,
                               'WAITING_TIME': np.float32
                           })
taxiorder2019 = taxiorder2019.rename(columns={'CAR_NO':'CARNO'})

taxiorder2020 = pd.read_csv(INPUT_PATH + 'taxiOrder2020'+'0625'+'.csv',
                           dtype = {
                               'GETON_LONGITUDE': np.float32,
                               'GETON_LATITUDE': np.float32,
                               'GETOFF_LONGITUDE': np.float32,
                               'GETOFF_LATITUDE': np.float32,
                               'PASS_MILE': np.float16,
                               'NOPASS_MILE': np.float16,
                               'WAITING_TIME': np.float32
                           })
taxiorder2020 = taxiorder2020.rename(columns={'CAR_NO':'CARNO'})

dw2019 = taxiorder2019['WAITING_TIME'].mean()
dw2020 = taxiorder2020['WAITING_TIME'].mean()
print(dw2019)
print(dw2020)

243.19984
218.5537

巡游车订单距离与时间的对比：

import matplotlib.animation as animation
import glob, gc

def barlist(n): 
    taxiorder2019 = pd.read_csv(paths[n], nrows=None,
                                   dtype = {
                                       'GETON_LONGITUDE': np.float32,
                                       'GETON_LATITUDE': np.float32,
                                       'GETOFF_LONGITUDE': np.float32,
                                       'GETOFF_LATITUDE': np.float32,
                                       'PASS_MILE': np.float16,
                                       'NOPASS_MILE': np.float16,
                                       'WAITING_TIME': np.float16
                                   })
    taxiorder2019['GETON_DATE'] = pd.to_datetime(taxiorder2019['GETON_DATE'])
    taxiorder2019['GETON_Hour'] = taxiorder2019['GETON_DATE'].dt.hour
    return taxiorder2019.groupby(['GETON_Hour'])['PASS_MILE'].mean().values # 不同上车时间的平均行驶距离

fig=plt.figure()

paths = glob.glob(INPUT_PATH +'taxiOrder20190*.csv')
paths.sort()
n = len(paths) #Number of frames
x = range(24)
barcollection = plt.bar(x,barlist(0))
plt.ylim(0,8)

def animate(i):
    y=barlist(i+1)
    for idx, b in enumerate(barcollection):
        b.set_height(y[idx])
    plt.ylim(0,8)
    plt.title(paths[i+1].split('/')[-1])
    plt.ylabel('PASS_MILE / KM')
    plt.xlabel('Hour')

anim=animation.FuncAnimation(fig,animate,repeat=False,blit=False,frames=n-1,
                             interval=500)

anim.save('order.gif', dpi=150)

在这里插入图片描述

巡游车空驶率对比：

for path in paths:
    taxiorder2019 = pd.read_csv(path, nrows=None,
                               dtype = {
                                   'GETON_LONGITUDE': np.float32,
                                   'GETON_LATITUDE': np.float32,
                                   'GETOFF_LONGITUDE': np.float32,
                                   'GETOFF_LATITUDE': np.float32,
                                   'PASS_MILE': np.float16,
                                   'NOPASS_MILE': np.float16,
                                   'WAITING_TIME': np.float16
                               })

    taxiorder2019 = taxiorder2019[['NOPASS_MILE', 'PASS_MILE']].dropna()
    taxiorder2019['NOPASS_Ratio'] = taxiorder2019['NOPASS_MILE'] / (taxiorder2019['NOPASS_MILE'] + taxiorder2019['PASS_MILE'])
    print(path, taxiorder2019['NOPASS_Ratio'].astype(np.float32).mean()) 

G:\DCIC\Data\taxiOrder20190531.csv 0.27126783
G:\DCIC\Data\taxiOrder20190601.csv 0.27297953
G:\DCIC\Data\taxiOrder20190602.csv 0.30302802
G:\DCIC\Data\taxiOrder20190603.csv 0.31049386
G:\DCIC\Data\taxiOrder20190604.csv 0.3039471
G:\DCIC\Data\taxiOrder20190605.csv 0.2933384
G:\DCIC\Data\taxiOrder20190606.csv 0.2547359
G:\DCIC\Data\taxiOrder20190607.csv 0.28453994
G:\DCIC\Data\taxiOrder20190608.csv 0.304996
G:\DCIC\Data\taxiOrder20190609.csv 0.3115026
sosososoon
关注
  • 3
    点赞
  • 踩
  • 9
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
专栏目录
这个是DCIC厦门市巡游车与网约车运营特征对比分析项目-DCIC-Taxi.zip
11-06
这个是DCIC厦门市巡游车与网约车运营特征对比分析项目-DCIC-Taxi
网约车的车辆热点聚类1
04-27 498
类似Uber，需要处理处不同时间段的不同地区的订单热点区域，帮助进行网约车的及时调度处理 每个成交单Order中，都会有订单上车位置的起始经纬度：open_lat , open_lng 那么在这个时间段内，哪些地区是高密集订单区域，好进行及时的调度，所以需要得到不同地区的热力图 初期想法是基于经纬度做聚类操作，典型的聚类算法是K- means，一种基于层次的聚类操作： ...
DCIC巡游车与网约车运营特征对比分析-数据读取
weixin_44023658的博客
09-10 819
读取代码 由于赛题给定的数据集文件都比较大，文件行数都比较多，如果完全进行读取可会让电脑卡死，内存爆炸； 可以只读取部分文件，读取单个文件完成数分析； 修改字段类型节约空间； 接下来看单个文件和部分文件的读取方法 1. 巡游车GPS数据读取 在读取数据时，可以完成以下操作： 通过read_csv函数输入路径和nrows设置读取的文件行数； nrows可以取值为数值或者None，前者数值控制行数，后者读取所有（默认是读取所有）； 读取完成后的数据为DataFrame形式，可以通过describe()函数
全球邀请开发者 滴滴启动KDD Cup 2020强化学习挑战赛
程序人生的博客
04-03 4421
4月3日，由滴滴主办的KDD Cup 2020强化学习挑战赛正式开赛，邀请全球算法高手共同挑战共享出行领域优化难题。 KDD Cup（国际知识发现和数据挖掘竞赛）由美国计算机协会知识发现与数据挖掘专委会（ACM SIGKDD）发起，从1997年开始，每年举办一次，是国际公认的数据挖掘领域的最高水平的赛事。该比赛同时面向企业界和学术界，每年都会吸引世界数据挖掘界的顶尖专家、学者、工程师、学生等...
基础的数据处理（1）—出租车数据的基础处理，由gps生成OD（pandas）
hanwanbing的博客
07-01 4186
一、开场白：什么是时空大数据 非集计数据（到个人） 数据至少包含：空间，时间，人（个体ID） 二、Python的安装与anaconda路径设置 1.设置jupyter的目录 jupyter-notebook --generate-config 问题参考：https://blog.csdn.net/qq_27825451/article/details/84427269?utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7EB
出租车GPS数据处理
dagongrenbs的博客
04-21 1431
提取出租车订单的OD OD（Origin-destination）信息是时空大数据中的重要信息，其中O代表出行的出发点，D代表出行的目的地。OD提取的目的就是识别乘客出行的起讫点，能直观反映出乘客的上车、下车需求，常作为道路交通规划和城市布局等领域的研究手段。要怎样从大量的GPS信息中提取出每个出租车订单的起点和终点呢？ 由于我们拿到的是一大堆出租车GPS的散点时空数据，散点时间间隔大概在15s（取决于GPS的采样频率），因此要提取出乘客出行的OD信息，首先要定义乘客的上车时点、下车时点选取标准，然后基于标
出租车GPS轨迹数据分析
hcc13974721431的博客
11-01 6354
1.在出租车轨迹数据预处理完后，提取数据的时间属性，时间细粒度可以为一小时/半小时，统计每个时间细粒度内的采样点的数目，采用python matplotlib绘制采样点数目（即流量）随时间的动态变化的折现图，统计早高峰时间区间和晚高峰的时间区间； 2.探索数据的空间分布规律，采用leaflet.js将采样点绘制到地图上。
基于QT的滴滴网约车订单数据可视化分析.zip
06-08
利用《问题求解与实践》课程大作业制作的数据分析与可视化程序与Excel、Origin等软件进行数据处理。 由于数据量庞大，为便于分析，选取较为典型的数据作为总体。数据集将成都市区划分为100个栅格，本文选取以成都市...
2022年我国巡游出租车现状及趋势分析客运量下降网约化趋势
最新发布
11-08
【标题】：“2022年我国巡游出租车现状及趋势分析客运量下降网约化趋势” 【描述】：这份报告详细探讨了2022年中国巡游出租车行业的现状，特别指出客运量的下降以及网约车服务的迅速普及。共六页的内容深入剖析了这...
网约车运营管理 4-4 客户满意度数据分析.pdf
06-08
网约车运营管理 4-4 客户满意度数据分析.pdf
网约车运营管理 5-1 网约车平台大数据分析.pdf
06-08
网约车运营管理 5-1 网约车平台大数据分析.pdf
【DCIC】数据分析学习：1.数据读取
qq_38235178的博客
09-10 620
学习目标 下载好数据集，并理解赛题具体的背景； 理解并梳理清楚赛题的任务； 完成赛题数据读取； 赛题任务 需要注意本次学习使用的数据为DCIC赛题2数据，需要报名后才能下载。报名规则及报名手册具体详见[赛程赛规]-[参赛团队]。 赛题介绍 赛题名称：A城市巡游车与网约车运营特征对比分析 赛题说明：出租车作为城市客运交通系统的重要组成部分，以高效、便捷、灵活等优点深受居民青睐。出租车每天的运营中会产生大量的上下车点位相关信息，对这些数据进行科学合理的关联和挖掘，对比在工作日以及休息日、节假日的出
A城市巡游车与网约车运营特征对比分析—数据读取及统计
sosososoon的博客
09-13 1970
初始化 import pandas as pd import numpy as np # 文件目录，绝对路径 INPUT_PATH = 'G:\DCIC\Data\\' # 文件读取行数 MAX_ROWS = 100000 数据读取 巡游车GPS数据读取 taxigps2019 = pd.read_csv(INPUT_PATH + 'taxiGps20190531.csv', nrows=MAX_ROWS) # 查看数据的统计描述 taxigps2019.describe()
DCIC-A城市巡游车与网约车运营特征对比分析-任务1
weixin_43041009的博客
09-08 536
一、背景 赛题说明： 出租车作为城市客运交通系统的重要组成部分，以高效、便捷、灵活等优点深受居民青睐。出租车每天的运营中会产生大量的上下车点位相关信息，对这些数据进行科学合理的关联和挖掘，对比在工作日以及休息日、节假日的出租车数据的空间分布及其动态变化，对出租车候车泊位、管理调度和居民通勤特征的研究具有重要意义。 出租车/网约车：上下车地点挖掘； 出租车/网约车：不同日期的空间变化； 出租车/网约车：泊车和调度问题； 赛题任务： 根据赛事方提供的出租车（包括巡游车和网约车）GPS和订单数据 一综合应用
A城市巡游车与网约车运营特征对比分析—赛题介绍与准备工作
sosososoon的博客
09-07 2208
赛题介绍 2020数字中国创新大赛 赛题说明 出租车作为城市客运交通系统的重要组成部分，以高效、便捷、灵活等优点深受居民青睐。出租车每天的运营中会产生大量的上下车点位相关信息，对这些数据进行科学合理的关联和挖掘，对比在工作日以及休息日、节假日的出租车数据的空间分布及其动态变化，对出租车候车泊位、管理调度和居民通勤特征的研究具有重要意义。 赛题任务 综合应用统计分析方法分别对所提供的巡游车和网约车运营的时间、空间分布特征进行量化计算，包括计算2年的每年工作日取日平均，非工作日取日平均和节假日取日平均
A城市巡游车与网约车运营特征对比分析【学习】
fisheep的博客
09-10 551
1
Task 0 DCIC初探
小胖鸡的博客
09-07 143
学习主题 比赛链接：https://data.xm.gov.cn/opendata-competition/index.html#/ 算法分析真实场景：A城市巡游⻋与网约⻋运营特征对比分析 ＃＃问题陈述 因为在境外，没有及时收到验证码，直到今晚才解决 目前的情况是大致过了一眼数据集，预处理的时候需要注意下空字符串 ...
DCIC-A城市巡游车与网约车运营特征对比分析-2-可视化
weixin_43041009的博客
09-19 474
接前述，数据读取 上次遗留下两个问题： 1、该案例的数据集过多 ，如果每次读一个数据的部分行（比如10000行），那在拼接所有数据集的时候也是每个数据只读10000行吗？？ 回答：虽然我们通过更改数据类型，使得原始数据的大小有所改变，但如果想要把所有的数据集合拼接读取出来，也是依旧对内存有一定要求的。 目前存在的一个疑问是： 如果想把所有数据拼接起来，大家是用的concat吗？但是concat每次只能拼接两个表，所以如果表多的话，就反复concat吗？ 2、对于表字段含义的理解，我们接下来将以tax
“中国90后系列研究：90后五大典型差异细读”-61页-【未来营销实验室】.pdf
分析猿
11-16 175
也许你身边就有这杆两个90后,他们一个是父母的小乖乖,面试要妈妈陪看,从不结交陌生的明友,另一个高中就已经经济独立,大学一半的间在工悄钱,毕业时已经开始谈碰业计划和利式没惜,他们都是90后,90后人群并非铁板一块,他们呈现出显著的多样性,但恰恰是这样的多样性反而更好的反映和围示了当今的中社会。 同时,也正是这样的多样性戌为我们真正从代际角度研90后的一个最住窗口华扬数字营究联合亚洲州第一年轻铜盟“年轻置,共同推出“90后大典型差异读报售,该报告为华扬数营销究院现实主义与多样化的代一中0后系列究》的组成分,通
"基于SSM MySQL技术的网约车用户服务平台设计与实现
基于Java的网约车用户服务平台是通过使用JSP语言以及HTML5语言和MySQL数据库技术开发的。该平台的设计和实现旨在提供...这种基于互联网的网约车服务方式符合现代人的生活习惯和需求，并有助于推动出租车行业的发展。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值