环境：Windows 10 专业版 + Python 3.9.1 + Anaconda 2020（ 4.8.2）

系列文章：

人工智能与地理大数据实验--出租车GPS数据—时空大数据Python处理基础（一）

人工智能与地理大数据实验--出租车GPS数据—时空大数据Python处理基础（二）

目录

一、实验目的和内容

（一）实验目的

（二）实验内容

二、数据挖掘算法

（一）算法模型介绍

三、输入数据集分析

四、数据预处理

（一）数据的读取

（二）数据异常的清洗

1.载客状态字段异常

2.数据清洗思路

3.异常数据的剔除

一、实验目的和内容

（一）实验目的

（1）出租车 GPS 数据的读取与数据清洗

（2）出租车 GPS 数据时间完整性评估

（3）出租车 GPS 数据的空间完整性评估（栅格数据分布的可视化、空间分布散点图、热力图）

（4）出租车出行订单持续时间的统计（订单持续时间的统计、订单持续时间的箱形图绘制、出行订单的栅格 OD 可视化）

（二）实验内容

近年来，随着智能移动设备的普及以及硬件功能逐渐强大，越来越多的智能移动设备被用来采集和处理数据，用户个体产生的数据开始呈现爆炸式增长。出租车 GPS 数据是最常见的一种个体连续追踪的时空大数据。大部分出租车 GPS 数据采样频率大约为 15S 一条，不同运营公司的数据质量会有一定的差异。车载 GPS 设备采样频率越高、运营的出租车数据越多，则数据量越大。

在获取到交通时空数据后，如何预处理数据？如何处理 GPS 定位数据的经纬度信息？如何可视化数据？如何获取其他辅助数据（如路网、公交和地铁线路等）？从而进行大数据处理、大数据分析、数据挖掘及数据可视化的能力，从而满足不同行业的应用需求。

二、数据挖掘算法

（一）算法模型介绍

处理的过程主要用到的技术有数据处理技术，进行初步加工，包括异常数据清洗、数据筛选等；地理空间数据处理是二次加工，结合数据的位置信息进行空间统计与分析；数据可视化是展示手段，将数据的处理结果转换为易于理解的图表形式展示；利用OD方法进行出租车订单出行特征分析。

1.Numpy

NumPy（Numerical Python）是一个用于进行科学计算的Python库。它提供了一个强大的多维数组对象和用于处理这些数组的各种函数。NumPy是许多其他Python科学计算库的基础，如SciPy、Pandas和Matplotlib。

主要功能和特点：

（1）多维数组：NumPy的核心功能是多维数组对象（ndarray）。这些数组可以是一维、二维、三维或更高维度的。NumPy的数组比Python的内置列表（list）更高效，并且可以存储大量数据，如图像、声音波形等。

（2）数组操作：NumPy提供了各种数组操作函数，包括索引、切片、变形、合并、分割等。这些函数使得对数组进行数学运算和数据处理变得非常方便。

（3）广播：广播是NumPy的一个强大功能，它允许不同形状的数组之间进行算术运算。在广播中，NumPy会自动调整数组的形状，使得它们能够兼容进行运算。

（4）数学函数：NumPy提供了大量的数学函数，如三角函数、指数函数、对数函数、线性代数函数等。这些函数可以直接应用于数组，而不需要使用循环或列表推导式。

（5）随机数生成：NumPy包含一个随机数模块，可以生成各种分布的随机数。这对于模拟和生成随机数据非常有用。

（6）快速操作：NumPy使用高度优化的C语言代码实现了其核心功能，因此执行速度非常快。与使用Python内置的列表进行循环相比，使用NumPy进行向量化操作可以极大地提高计算效率。

（7）文件输入/输出：NumPy可以读取和写入磁盘上的数组数据，支持多种文件格式，如文本文件、二进制文件和NumPy自定义的.npz文件。

2.Pandas

Pandas是一个流行的Python数据分析工具包，提供了高效的数据结构和数据分析工具，使数据处理变得简单而直观。它是建立在NumPy之上的，提供了额外的功能和工具，使数据处理更加方便。

主要功能和特点：

（1）数据结构：Pandas提供了两种主要的数据结构：Series和DataFrame。Series是一维标签化数组，类似于一列数据，而DataFrame是一个表格型的数据结构，类似于SQL表或Excel电子表格。这些数据结构使得数据的操作和处理更加灵活和简单。

（2）数据清洗：Pandas提供了各种功能来清洗和预处理数据。它可以处理缺失值、重复值和异常值。它还能够进行数据转换、重塑和合并等操作。

（3）数据选择和过滤：Pandas提供了强大的数据选择和过滤功能。你可以使用标签、位置或条件来选择和过滤数据。这使得数据的筛选和提取变得非常简单。

（4）数据分组和聚合：Pandas支持对数据进行分组和聚合操作。你可以根据某些标准将数据分组，并对每个组应用聚合函数（如求和、平均值、计数等）。这对于数据汇总和摘要分析非常有用。

（5）时间序列数据：Pandas对处理时间序列数据提供了很好的支持。它提供了一些特殊的数据结构和功能，使得时间序列数据的处理和分析更加便捷。

（6）数据可视化：Pandas可以与其他数据可视化库（如Matplotlib和Seaborn）结合使用，提供了简单而强大的绘图功能。你可以轻松地创建各种类型的图表和图形，以可视化和探索数据。

（7）数据导入和导出：Pandas可以处理各种数据格式，包括CSV、Excel、SQL数据库、JSON、HTML等。你可以轻松地将数据导入到Pandas中进行分析，并将结果导出到其他格式。

3.Matplotlib

Matplotlib是一个用于创建可视化图表和绘图的Python工具包。它是一个功能强大且广泛使用的库，适用于各种科学、工程和数据分析的应用。

主要特点和功能：

（1）绘图风格：Matplotlib提供了多种绘图风格和选项，可以创建各种类型的图表，包括线图、散点图、柱状图、饼图、等高线图等。

（2）支持多种输出格式：Matplotlib支持将图表保存为多种常见的图像格式，如PNG、JPEG、PDF等，以便进一步使用或发布。

（3）交互式绘图：Matplotlib可以与交互式Python环境（如Jupyter Notebook）结合使用，实时更新图表，方便数据分析和可视化。

（4）自定义图表：Matplotlib允许用户对图表进行广泛的自定义，包括设置标题、轴标签、刻度、线条样式、颜色等，以满足特定需求。

（5）多子图布局：Matplotlib支持创建多个子图并进行自定义布局，使得在一个图中展示多个相关图表变得容易。

（6）支持3D绘图：Matplotlib还提供了支持三维数据可视化的工具和函数，可以创建三维散点图、曲面图、等高线图等。

（7）支持动画效果：Matplotlib可以创建动画效果，通过更新图表的数据或属性，可以呈现数据随时间变化的动态效果。

（8）绘图工具包整合：Matplotlib可以与其他Python科学计算工具包（如NumPy和Pandas）无缝整合，方便数据的处理和可视化。

4.Geopandas

Geopandas是一个Python工具包，用于在地理空间数据分析中处理和操作地理数据。它结合了Pandas（一个用于数据处理和分析的Python库）和Shapely（一个用于地理几何对象操作的库），提供了一个方便的接口来处理矢量地理数据。

主要特点和功能：

（1）数据结构：Geopandas引入了两个新的数据结构：GeoSeries和GeoDataFrame。GeoSeries是一种类似于Pandas中的Series的对象，用于存储和操作一维的地理几何对象（如点、线、多边形等）。GeoDataFrame是一种类似于Pandas中的DataFrame的对象，扩展了DataFrame的功能，可以处理包含地理几何对象的二维数据集。

（2）读写地理数据：Geopandas可以方便地读取和写入各种地理数据格式，包括常见的矢量文件格式（如Shapefile、GeoJSON等）和空间数据库（如PostGIS等）。

（3）空间操作：Geopandas提供了一系列强大的空间操作功能，例如缓冲区分析、空间联接、空间查询等。这些操作可以用来分析和处理地理数据，例如计算两个几何对象之间的距离、计算面积、判断点是否在多边形内部等。

（4）地理数据可视化：Geopandas结合了Matplotlib（一个用于绘图的Python库）和其他可视化工具，可以方便地可视化地理数据。它提供了简单的绘图函数，可以绘制地理几何对象、制作地图、添加图例等。

（5）投影转换：Geopandas支持地理坐标系和投影坐标系之间的转换。它可以将地理数据从一个坐标系转换到另一个坐标系，以便进行空间分析和可视化。

5.math

math是Python中内置的一个标准库，提供了许多数学运算和函数，用于进行常见的数学操作和计算。下面是math工具包的一些主要特性和功能：

主要特点和功能：

（1）数学常数：math库包含了一些常见的数学常数，如π（pi）和自然对数的底数（e）。这些常数可以通过math库直接访问，方便在计算中使用。

（2）数值运算：math库提供了一系列的数值运算函数，如绝对值（abs）、取整（floor和ceil）、四舍五入（round）、幂运算（pow）、平方根（sqrt）、对数运算（log和log10）等。这些函数可以用于处理和计算各种数值操作。

（3）三角函数：math库包含了一系列的三角函数，如正弦（sin）、余弦（cos）、正切（tan）等。这些函数可以用于处理角度和三角形相关的计算和问题。

（4）指数和对数函数：math库提供了指数函数（exp）和对数函数（log和log10），用于进行指数运算和对数运算。这些函数对于处理复杂的数值计算和科学计算非常有用。

（5）数学运算函数：math库还提供了一些常见的数学运算函数，如最大值（max）、最小值（min）、求和（sum）、平均值（mean）、标准差（stddev）等。这些函数可以对一组数字进行统计和计算。

（6）角度转换：math库提供了用于将角度转换为弧度和将弧度转换为角度的函数，分别是radians和degrees。这些函数方便在不同的角度单位之间进行转换。

（7）随机数生成：math库包含了一些随机数生成的函数，如生成随机浮点数（random）和生成随机整数（randint）。这些函数可以用于模拟和随机化实验、游戏开发等领域。

6.Tarnsbigdata

Tarnsbigdata是一个用于在Apache Spark上处理大数据的Python工具包。它提供了一组方便的函数和类，使开发人员能够使用Python语言来处理大规模数据集，而无需担心底层的分布式计算细节。

主要特点和功能：

（1）提供了与pandas类似的数据结构和API，使得开发人员可以轻松地使用熟悉的Python语言来处理大数据。

（2）支持在Spark集群中分布式地加载、转换和存储数据，可以将数据分配到多个节点上进行并行处理。

（3）集成了多种数据处理和分析工具，包括数据清洗、聚类、线性回归等。

（4）可以方便地与其他Python库和Spark模块集成，例如numpy、pandas、matplotlib等。

7.Seaborn

Seaborn是一个基于Python的数据可视化工具包，它建立在Matplotlib之上，提供了更高级的统计图形绘制功能。Seaborn的设计目标是使数据可视化变得更加简单、美观和有吸引力。

主要特点和功能：

（1）简单易用：Seaborn提供了一系列简单易用的函数和方法，使得绘制统计图形变得简单快捷。它的API设计得很直观，可以轻松地进行图形定制和样式设置。

（2）统计图形：Seaborn提供了许多用于绘制统计图形的函数，包括散点图、折线图、柱状图、箱线图、小提琴图、热力图等。这些图形能够更直观地展示数据之间的关系和分布。

（3）默认美观：Seaborn的默认样式和颜色调色板设计得非常美观，可以直接应用于图形中，让图形在外观上更加吸引人。此外，Seaborn还提供了许多主题和样式选项，可以进行进一步的定制。

（4）统计分析支持：Seaborn提供了一些统计分析的工具和函数，如线性回归、分类变量的条件统计等。这些功能能够帮助用户更好地理解数据中的模式和趋势。

（5）多图联合展示：Seaborn支持绘制多个图形，并且可以将它们组合成一个联合展示的图形。这对于比较和展示不同数据之间的关系非常有用。

（6）与Pandas集成：Seaborn可以与Pandas数据框架无缝集成，可以直接从Pandas数据结构中绘制图形，方便快捷地进行数据分析和可视化。

8.Shapely

Shapely是一个用于在Python中进行空间几何计算的开源工具包。它提供了一套简单而强大的几何操作和分析工具，使得用户能够处理和操作二维平面上的几何对象，如点、线和多边形。

主要特点和功能：

（1）几何对象：Shapely支持创建和处理多种几何对象，包括点（Point）、线（LineString）、线段（Line）、环（LinearRing）、多边形（Polygon）、多点（MultiPoint）、多线（MultiLineString）和多边形集合（MultiPolygon）等。这些几何对象可以进行各种操作和分析。

（2）几何操作：Shapely提供了丰富的几何操作方法，可以进行对象的组合、分割、合并、缩放、旋转、平移等操作。用户可以通过这些操作方法构建复杂的几何对象，并对其进行修改和转换。

（3）空间关系和分析：Shapely支持执行各种空间关系和分析操作，如包含（contains）、相交（intersects）、距离计算（distance）、相交面积计算（intersection）、并集计算（union）等。这些功能使得用户能够判断几何对象之间的关系，以及计算它们之间的距离、面积等属性。

（4）属性查询和操作：Shapely允许用户查询和修改几何对象的各种属性，如坐标、边界框、面积、长度等。这些属性可以用于进一步的计算和分析。

（5）可视化支持：Shapely可以与其他Python库（如Matplotlib）配合使用，方便用户将几何对象可视化展示。这对于调试、验证和展示计算结果非常有用。

三、输入数据集分析

1.TaxiData-Sample.csv（出租车GPS数据）

2.sz.shp（行政区划矢量图形）

四、数据预处理

（一）数据的读取

通过pandas包中的pd.read_csv()方法读取目标数据文件，定义data的columns的属性，分别为VehicleNum（车牌号），Stime（时间），Lng（经度），Lat（纬度），载客状态（OpenStatus）,车速（Speed）。

<code># 导入Pandas包，并赋值给变量pd

import pandas as pd

# 读取GPS数据

data = pd.read_csv('D:/Project/Jupyter_Project/Data/data/TaxiData-Sample.csv')

# 查看数据

data

<code># 读取数据，传入参数headercode>

data = pd.read_csv('D:/Project/Jupyter_Project/Data/data/TaxiData-Sample.csv',header = None)

# 通过header方法查看数据的前5行

data.head(5)

<code># 更改数据的列名code>

data.columns = ['VehicleNum','Stime','Lng','Lat','OpenStatus','Speed']

# 查看数据前5行

data.head(5)

（二）数据异常的清洗

1.载客状态字段异常

数据中的载客状态（OpenStatus）字段表征了出租车载客状态。当值为1时，表示出租车有乘客；反之则为空载状态。如果将所有的车辆数据读取在一个表中，将数据按车牌号和时间排序，那么在理想状态下，一辆出租车正常的OpenStatus序列应该是连续的0序列和连续的1序列依次出现。

因此异常情况应该有两种：

（1）在连续0的序列中，突然出现一个1。

（2）在连续1的序列中，突然出现一个0。

2.数据清洗思路

异常数据的载客状态与前一条数据和后一条数据的值均不同，且这三条数据必须是同一辆出租车的连续数据。

判断条件则为：

（1）异常数据的OpenStatus与前一条数据不等。

（2）异常数据的OpenStatus与后一条数据不等。

（3）异常数据的VehicleNum与前一条数据的VehicleNum相等。

（4）异常数据的VehicleNum与后一条数据的VehicleNum相等。

3.异常数据的剔除

（1）数据的排序

对data数据按照车牌与GPS时间进行排序，让同一辆车的数据放在一起，且按照时间大小进行排序，用到的是DataFrame的sort_values()方法。

<code># 对数据按照车牌号与GPS时间进行排序

data = data.sort_values(by = ['VehicleNum','Stime'])

# 查看数据

data

（2）数据的剔除

Pandas中提供了shfit函数，可以将数据的列整体上移或下移，使关键数据的前一行与后一行信息都在这一行上，使用条件判断语句进行筛选，剔除异常数据，data = data[-((data['OpenStatus'] != data['OpenStatus1'])&(data['OpenStatus'] !=data['OpenStatus2'])&(data['VehicleNum'] == data['VehicleNum1'])&(data['VehicleNum'] == data['VehicleNum2']))]

再使用data.drop()函数删除辅助判断用的列，最后保存为.csv文件。

<code># 将OpenStatus列整体下移一行，赋值给OpenStatus1列

data['OpenStatus1'] = data['OpenStatus'].shift()

# 将OpenStatus列整体上移一行，赋值给OpenStatus2列

data['OpenStatus2'] = data['OpenStatus'].shift(-1)

# 将VehicleNum列整体下移一行，赋值给VehicleNum1列

data['VehicleNum1'] = data['VehicleNum'].shift()

# 将VehicleNum列整体上移一行，赋值给VehicleNum2列

data['VehicleNum2'] = data['VehicleNum'].shift(-1)

# 剔除异常数据

data = data[-((data['OpenStatus'] != data['OpenStatus1'])&(data['OpenStatus'] != data['OpenStatus2'])&(data['VehicleNum'] == data['VehicleNum1'])&(data['VehicleNum'] == data['VehicleNum2']))]

# 删除辅助判断用的列

data = data.drop(['OpenStatus1','OpenStatus2','VehicleNum1','VehicleNum2'],axis = 1)

# 查看数据

data

<code># 保存数据到指定路径，index关键字决定是否保存行名code>

data.to_csv('D:/Project/Jupyter_Project/Data/data/TaxiData-Clean.csv',index = None,encoding = 'utf-8_sig')