TransBigData与数据中的预处理

1、TransBigData简介

TransBigData是一个为交通时空大数据处理、分析和可视化而开发的Python包。TransBigData为处理常见的交通时空大数据（如出租车GPS数据、共享单车数据和公交车GPS数据等）提供了快速而简洁的方法。TransBigData为交通时空大数据分析的各个阶段提供了多种处理方法,代码简洁、高效、灵活、易用，可以用简洁的代码实现复杂的数据任务。

目前，TransBigData主要提供以下方法：

数据预处理：对数据集提供快速计算数据量、时间段、采样间隔等基本信息的方法，也针对多种数据噪声提供了相应的清洗方法。

数据栅格化：提供在研究区域内生成、匹配多种类型的地理栅格（矩形、三角形、六边形及geohash栅格）的方法体系，能够以向量化的方式快速算法将空间点数据映射到地理栅格上。

数据可视化：基于可视化包keplergl，用简单的代码即可在Jupyter Notebook上交互式地可视化展示数据。

轨迹处理：从轨迹数据GPS点生成轨迹线型，轨迹点增密、稀疏化等。

地图底图、坐标转换与计算：加载显示地图底图与各类特殊坐标系之间的坐标转换。

特定处理方法：针对各类特定数据提供相应处理方法，如从出租车GPS数据中提取订单起讫点，从手机信令数据中识别居住地与工作地，从地铁网络GIS数据构建网络拓扑结构并计算最短路径等。

TransBigData可以通过pip或者conda安装，在命令提示符中运行下面代码即可安装：

pipinstall-Utransbigdata

安装完成后，在Python中运行如下代码即可导入TransBigData包。

importtransbigdataastbd

2、数据预处理

TransBigData与数据处理中常用的Pandas和GeoPandas包能够无缝衔接。首先我们引入Pandas包并读取出租车GPS数据：

importpandasaspd

#读取数据
data=pd.read_csv('TaxiData-Sample.csv',header=None)
data.columns=['VehicleNum','time','lon','lat','OpenStatus','Speed']
data.head()

结果如图2所示：

▲图2 出租车GPS数据

然后，引入GeoPandas包，读取研究范围的区域信息并展示：

importgeopandasasgpd

#读取研究范围区域信息
sz=gpd.read_file(r'sz/sz.shp')
sz.plot()

结果如图3所示：

▲图3 研究范围的区域信息

TransBigData包集成了交通时空数据的一些常用预处理方法。其中，tbd.clean_outofshape方法输入数据和研究范围区域信息，能够剔除研究范围外的数据。而tbd.clean_taxi_status方法则可以剔除出租车GPS数据中载客状态瞬间变化的记录。在使用预处理方法时需要传入数据表中重要信息列所对应的列名，代码如下：

#数据预处理

#剔除研究范围外的数据，计算原理是在方法中先栅格化后栅格匹配研究范围后实现对应。因此这里需要同时定义栅格大小，越小则精度越高
data=tbd.clean_outofshape(data,sz,col=['lon','lat'],accuracy=500)

#剔除出租车数据中载客状态瞬间变化的数据
data=tbd.clean_taxi_status(data,col=['VehicleNum','time','OpenStatus'])

经过上面代码的处理，我们就已经将出租车GPS数据中研究范围以外的数据和载客状态瞬间变化的数据予以剔除。

3、数据栅格化

栅格形式（地理空间上相同大小的网格）是表达数据分布最基本的方法，GPS数据经过栅格化后，每个数据点都含有其所在的栅格信息。采用栅格表达数据的分布时，其表示的分布情况与真实情况接近。

TransBigData工具为我们提供了一套完整、快速、便捷的栅格处理体系。用TransBigData进行栅格划分时，首先需要确定栅格化的参数（可以理解为定义了一个栅格坐标系），参数可以帮助我们快速进行栅格化：

#定义研究范围边界
bounds=[113.75,22.4,114.62,22.86]

#通过边界获取栅格化参数
params=tbd.area_to_params(bounds,accuracy=1000)
params

输出：

{'slon': 113.75,
'slat': 22.4,
'deltalon': 0.00974336289289822,
'deltalat': 0.008993210412845813,
'theta': 0,
'method': 'rect',
'gridsize': 1000}

此时输出的栅格化参数params的内容存储了栅格坐标系的原点坐标（slon、slat）、单个栅格的经纬度长宽 （deltalon、deltalat）、栅格的旋转角度（theta）、栅格的形状（method参数，其值可以是方形rect、三角形tri和六边形hexa）以及栅格的大小（gridsize参数，单位为米）。

取得栅格化参数后，我们便可以用TransBigData中提供的方法对GPS数据进行栅格匹配、生成等操作。

完整的栅格处理方法体系如图4所示：

▲图4 TransBigData所提供的栅格处理体系

使用tbd.GPS_to_grid方法能够为每一个出租车GPS点生成，该方法会生成编号列LONCOL与 LATCOL，由这两列共同指定所在的栅格：

#将GPS数据对应至栅格，将生成的栅格编号列赋值到数据表上作为新的两列
data['LONCOL'],data['LATCOL']=tbd.GPS_to_grids(data['lon'],data['lat'],params)

下一步，聚合集计每一栅格内的数据量，并为栅格生成地理几何图形，构建GeoDataFrame：

#聚合集计栅格内数据量

grid_agg=data.groupby(['LONCOL','LATCOL'])['VehicleNum'].count().reset_index()

#生成栅格的几何图形
grid_agg['geometry']=tbd.grid_to_polygon([grid_agg['LONCOL'],grid_agg['LATCOL']],params)

#转换为GeoDataFrame
grid_agg=gpd.GeoDataFrame(grid_agg)

#绘制栅格
grid_agg.plot(column='VehicleNum',cmap='autumn_r')

结果如图5所示：

▲图5 数据栅格化的结果

对于一个正式的数据可视化图来说，我们还需要添加底图、色条、指北针和比例尺。TransBigData也提供了相应的功能，代码如下：

importmatplotlib.pyplotasplt
fig=plt.figure(1,(8,8),dpi=300)
ax=plt.subplot(111)
plt.sca(ax)

#添加行政区划边界作为底图
sz.plot(ax=ax,edgecolor=(0,0,0,0),facecolor=(0,0,0,0.1),linewidths=0.5)

#定义色条位置
cax=plt.axes([0.04,0.33,0.02,0.3])
plt.title('Datacount')
plt.sca(ax)

#绘制数据
grid_agg.plot(column='VehicleNum',cmap='autumn_r',ax=ax,cax=cax,legend=True)

#添加指北针和比例尺
tbd.plotscale(ax,bounds=bounds,textsize=10,compasssize=1,accuracy=2000,rect=[0.06,0.03],zorder=10)
plt.axis('off')
plt.xlim(bounds[0],bounds[2])
plt.ylim(bounds[1],bounds[3])
plt.show()

结果如图6所示：

▲图6 tbd包绘制的出租车GPS数据分布

4、订单起讫点OD提取与聚合集计

针对出租车GPS数据，TransBigData提供了直接从数据中提取出出租车订单起讫点（OD）信息的方法，代码如下：

#从GPS数据提取OD

oddat=tbd.taxigps_to_od(data,col=['VehicleNum','time','Lng','Lat','OpenStatus'])
oddata

结果如图7所示：

▲图7 tbd包提取的出租车OD

TransBigData包提供的栅格化方法可以让我们快速地进行栅格化定义，只需要修改accuracy参数，即可快速定义不同大小粒度的栅格。我们重新定义一个2km*2km的栅格坐标系，将其参数传入tbd.odagg_grid方法对OD进行栅格化聚合集计并生成GeoDataFrame：

#重新定义栅格，获取栅格化参数
params=tbd.area_to_params(bounds,accuracy=2000)

#栅格化OD并集计
od_gdf=tbd.odagg_grid(oddata,params)
od_gdf.plot(column='count')

结果如图8所示：

▲图8 tbd集计的栅格OD

添加地图底图，色条与比例尺指北针：

#创建图框
importmatplotlib.pyplotasplt
fig=plt.figure(1,(8,8),dpi=300)
ax=plt.subplot(111)
plt.sca(ax)

#添加行政区划边界作为底图
sz.plot(ax=ax,edgecolor=(0,0,0,1),facecolor=(0,0,0,0),linewidths=0.5)

#绘制colorbar
cax=plt.axes([0.05,0.33,0.02,0.3])
plt.title('Datacount')
plt.sca(ax)

#绘制OD
od_gdf.plot(ax=ax,column='count',cmap='Blues_r',linewidth=0.5,vmax=10,cax=cax,legend=True)

#添加比例尺和指北针
tbd.plotscale(ax,bounds=bounds,textsize=10,compasssize=1,accuracy=2000,rect=[0.06,0.03],zorder=10)
plt.axis('off')
plt.xlim(bounds[0],bounds[2])
plt.ylim(bounds[1],bounds[3])
plt.show()

结果如图9所示：

▲ 图9 TransBigData绘制的栅格OD数据

同时，TransBigData包也提供了将OD直接聚合集计到区域间的方法：

#OD集计到区域

#方法1：在不传入栅格化参数时，直接用经纬度匹配
od_gdf=tbd.odagg_shape(oddata,sz,round_accuracy=6)

#方法2：传入栅格化参数时，程序会先栅格化后匹配以加快运算速度，数据量大时建议使用
od_gdf=tbd.odagg_shape(oddata,sz,params=params)
od_gdf.plot(column='count')

结果如图10所示：

▲图10 tbd集计的小区OD

加载地图底图并调整出图参数：

#创建图框
importmatplotlib.pyplotasplt
importplot_map
fig=plt.figure(1,(8,8),dpi=300)
ax=plt.subplot(111)
plt.sca(ax)

#添加行政区划边界作为底图
sz.plot(ax=ax,edgecolor=(0,0,0,0),facecolor=(0,0,0,0.2),linewidths=0.5)

#绘制colorbar
cax=plt.axes([0.05,0.33,0.02,0.3])
plt.title('count')
plt.sca(ax)

#绘制OD
od_gdf.plot(ax=ax,vmax=100,column='count',cax=cax,cmap='autumn_r',linewidth=1,legend=True)

#添加比例尺和指北针
tbd.plotscale(ax,bounds=bounds,textsize=10,compasssize=1,accuracy=2000,rect=[0.06,0.03],zorder=10)
plt.axis('off')
plt.xlim(bounds[0],bounds[2])
plt.ylim(bounds[1],bounds[3])
plt.show()

结果如图11所示：

▲ 图11区域间OD可视化结果

5、交互可视化

在TransBigData中，我们可以对出租车数据使用简单的代码在jupyter notebook中快速进行交互可视化。这些可视化方法底层依托了keplergl包，可视化的结果不再是静态的图片，而是能够与鼠标响应交互的地图应用。

tbd.visualization_data方法可以实现数据分布的可视化，将数据传入该方法后，TransBigData会首先对数据点进行栅格集计，然后生成数据的栅格，并将数据量映射至颜色上。代码如下：

#可视化数据点分布
tbd.visualization_data(data,col=['lon','lat'],accuracy=1000,height=500)

结果如图12所示：

▲ 图12数据分布的栅格可视化

对于出租车数据中所提取出的出行OD，也可使用tbd.visualization_od方法实现OD的弧线可视化。该方法也会对OD数据进行栅格聚合集计，生成OD弧线，并将不同大小的OD出行量映射至不同颜色。代码如下：

#可视化数据点分布
tbd.visualization_od(oddata,accuracy=2000,height=500)

结果如图13所示：

▲ 图13 OD分布的弧线可视化

对个体级的连续追踪数据，tbd.visualization_trip方法可以将数据点处理为带有时间戳的轨迹信息并动态地展示，代码如下：

#动态可视化轨迹

tbd.visualization_trip(data,col=['lon','lat','VehicleNum','time'],height=500)

结果图14所示。点击其中的播放键，可以看到出租车运行的动态轨迹效果。

▲ 图14出租车轨迹动态可视化

审核编辑：彭静