数据集笔记： Porto

数据来源：Taxi Trajectory Data_数据集-阿里云天池 (aliyun.com)

1 数据介绍

葡萄牙波尔图市运行的所有442辆出租车的全年轨迹（从2013年7月1日至2014年6月30日）

2 读取数据

import  pandas as pdtra=pd.read_csv('C:/Users/16000/Downloads/train/train(1).csv')
tra

170万条轨迹

2.1 数据每一列的意义

TRIP_ID	每次行程的唯一标识符
CALL_TYPE	标识要求此服务的方式。可能包含三个可能的值之一： ‘A’ 如果此行程是从中心调度的； ‘B’ 如果此行程是直接要求特定站点的出租车司机的； ‘C’ 其他（即在随机街道上要求的行程）。
ORIGIN_CALL	包含用于要求至少一项服务的每个电话号码的唯一标识符如果CALL_TYPE='A'，它标识行程的客户。否则，它假定为NULL值
ORIGIN_STAND	包含出租车站点的唯一标识符。如果CALL_TYPE='B'，它标识行程的起始点。否则，它假定为NULL值；
TAXI_ID	包含执行每次行程的出租车司机的唯一标识符；
TIMESTAMP	Unix时间戳（以秒为单位）标识行程的开始
DAYTYPE	标识行程开始的天类型。它假定三个可能的值之一： ‘B’ 如果此行程开始于假日或任何其他特殊日子（即延长假期、浮动假期等）； ‘C’ 如果行程开始于类型B天的前一天； ‘A’ 其他（即正常日子，工作日或周末）。
MISSING_DATA	当GPS数据流完整时为FALSE 当一个（或多个）位置缺失时为TRUE；
POLYLINE	以字符串形式映射的GPS坐标列表（即WGS84格式）此列表包含行程每15秒的一对坐标。最后一个列表项对应行程的目的地，而第一个代表其开始

行程的总行驶时间定义为（点的数量-1）x 15秒。

例如，POLYLINE中有101个数据点的行程长度为（101-1）* 15 = 1500秒

3 python可视化一条轨迹

loc=tra.at[0,'POLYLINE']
loc
'''
'[[-8.618643,41.141412],[-8.618499,41.141376],[-8.620326,41.14251],[-8.622153,41.143815],[-8.623953,41.144373],[-8.62668,41.144778],[-8.627373,41.144697],[-8.630226,41.14521],[-8.632746,41.14692],[-8.631738,41.148225],[-8.629938,41.150385],[-8.62911,41.151213],[-8.629128,41.15124],[-8.628786,41.152203],[-8.628687,41.152374],[-8.628759,41.152518],[-8.630838,41.15268],[-8.632323,41.153022],[-8.631144,41.154489],[-8.630829,41.154507],[-8.630829,41.154516],[-8.630829,41.154498],[-8.630838,41.154489]]'
'''
#提取第一条轨迹的geometryloc_lst=json.loads(loc)
loc_lst = [[lat, lon] for lon, lat in loc_lst]
loc_lst
'''
[[41.141412, -8.618643],[41.141376, -8.618499],[41.14251, -8.620326],[41.143815, -8.622153],[41.144373, -8.623953],[41.144778, -8.62668],[41.144697, -8.627373],[41.14521, -8.630226],[41.14692, -8.632746],[41.148225, -8.631738],[41.150385, -8.629938],[41.151213, -8.62911],[41.15124, -8.629128],[41.152203, -8.628786],[41.152374, -8.628687],[41.152518, -8.628759],[41.15268, -8.630838],[41.153022, -8.632323],[41.154489, -8.631144],[41.154507, -8.630829],[41.154516, -8.630829],[41.154498, -8.630829],[41.154489, -8.630838]]
'''import numpy as np
loc_lst=np.array(loc_lst)
lat,lon=np.mean(loc_lst,axis=0)
lat,lon
#(41.14919347826088, -8.62801630434783)import foliumm=folium.Map(location=(lat,lon),zoom_start=15)folium.PolyLine(locations=loc_lst,weight=10).add_to(m)
m
#画图