交通大数据分析与可视化
未读
使用Python城市交通大数据分析与可视化的研究案例
本文以台北捷运系统为例,介绍了利用Python进行城市交通大数据分析与可视化的案例。通过数据清洗、主成分分析、聚类分析和可视化技术,识别不同站点的交通模式,并揭示交通拥堵特征、交通流与气象环境的关联等规律。Python的丰富工具库,如pandas、matplotlib、seaborn、plotly等,为交通数据分析提供了强大的支持,可用于绘制热力图、时间序列图、区域客流时空动态图等,为交通管理和规划提供科学依据。
交通大数据分析与可视化
未读
城市交通大数据分析与可视化的主要内容
城市交通大数据分析与可视化利用卡口、RFID、车联网、GPS 等多种来源的数据,通过数据清洗、融合、预处理,运用概率论、交通流激波理论、聚类分析等方法,以及GIS地图、网络迁徙图等可视化技术,识别交通拥堵点,分析拥堵原因,为交通规划、政策评估、公共交通优化、信号控制系统分析等提供科学依据,提升城市交通综合服务水平。上海市在该领域的应用成果显著,为其他城市提供了宝贵经验。
深圳共享单车出行研究报告
深圳共享单车市场经历了从爆发式增长到调整的阶段。2017年,共享单车使用量达到顶峰,但随着市场饱和和监管加强,企业数量和车辆规模大幅减少。尽管如此,共享单车仍是城市交通的重要组成部分,市场规模在2023年达到约50亿元,用户数量超过1000万人。未来,技术创新、共享电单车兴起和政企合作将推动市场持续发展。单次骑行距离和时长增加、夜间骑行比例上升表明用户对共享单车依赖性增强。政府政策和基础设施改进为市场提供了保障,共享单车将在城市绿色出行中扮演更重要的角色。
Python笔记
未读
Python小技巧:保存 Pandas 的 datetime 格式
Pandas datetime 格式的保存和读取取决于文件格式和读取方式。CSV 格式需要指定日期时间格式,而 Parquet 和 Feather 格式可以自动识别。Pickle 格式可以保存整个 DataFrame 对象,但存在兼容性和安全问题。Parquet 和 Feather 格式适用于大型数据集,而 CSV 格式更通用。选择格式时应考虑数据大小、效率和兼容性。
Python笔记
未读
初步了解MGWR:多尺度地理加权回归的Python实现
多尺度地理加权回归(MGWR)是一种空间分析技术,它允许回归参数在不同的空间尺度上变化。mgwr库是一个Python包,用于实现MGWR,它提供了用户友好的API和各种功能,包括数据准备、模型拟合、模型诊断和结果可视化。MGWR在许多领域都有应用,例如环境科学、城市规划和公共卫生。它可以帮助研究人员探索和理解空间数据中的复杂关系,并更准确地建模和解释空间异质性。
ArcGIS Python系列
未读
ArcGIS Pro 中的要素类 vs. Shapefile
要素类和 shapefile 都是用于存储地理空间数据的格式,但它们在功能和能力方面存在一些关键差异。 要素类 存储在地理数据库中(一种更现代、高效的空间数据存储格式)。 支持多种几何类型(点、线、面等),以及高级属性,例如域、子类型和关系类。 提供更好的性能和可扩展性,尤其是在处理大型数据集时。
云服务器
未读
公众号升级为AI机器人了,可以直接和我的知识库进行对话!
现在公众号不止可以从底部菜单进行简单检索了,还可以直接发送私信来检索,如图中可以直接检索“深圳共享单车数据表”文章的内容,如数据量、数据字段情况。
Python笔记
未读
从零开始:用Python和Pandas精准提取出租车GPS数据中的OD行程信息
本文详细介绍了如何使用Python和Pandas库从出租车GPS数据中提取OD行程信息的方法。过程包括数据预处理、行程识别和信息提取等关键步骤。通过处理缺失值、数据类型检查、去除重复记录等预处理操作,以及利用“载客状态”字段识别行程的开始和结束,文章成功地从大量GPS数据中提取了有价值的行程信息。这些信息不仅对城市交通流量分析和城市规划具有重要意义,也为出租车公司的运营优化提供了数据支持。此外,文章还探讨了数据处理的优化方法,如使用pandas的apply方法加速数据处理,有效提高了数据处理效率。
其他
未读
自建AI聊天网站使用说明
隐私安全、多语言支持,全面兼容Markdown,提供快速响应的聊天网站:[My NextChat](https://chat.renhai-lab.tech/)
![NextChat](https://image-1315363329.cos.ap-shanghai.myqcloud.com/lessons/202403291210620.png)
支持图像识别、语音合成、多模态、可扩展的([function call](https://platform.openai.com/docs/guides/function-calling))插件系统的网站:[My Lobe Chat](https://lobechat.renhai-lab.tech/)
![Lobe Chat](https://image-1315363329.cos.ap-shanghai.myqcloud.com/lessons/202403291206205.png)
论文复现
未读
高效读论文和一些小技巧
本文为研究者提供了找寻和筛选学术论文的实用方法。文章建议确定研究主题和关键词,然后集中阅读论文的摘要、简介、方法、结果和总结等部分,并强调利用引用信息来追踪研究发展。作者还推荐了国内外的数据库和期刊,并介绍了使用RSS订阅来持续获取最新研究信息的方法。文章为读者提供了一套有效的学术论文搜寻和分析框架,尤其适用于建筑、景观和规划领域的研究者。
Python笔记
未读
非编程专业如何快速入门Python数据分析与可视化
本文为非编程背景的读者提供了Python学习的指南。文章从基础语法、数据类型等入门知识开始,推荐了相关教程和书籍。进阶部分介绍了NumPy和Pandas等关键库,强调了Pandas在数据处理中的核心地位。文章还讨论了如何处理大数据集和使用如GitHub Copilot等辅助工具,为初学者提供了一个全面的Python数据分析学习路径。
数据集
未读
中国2015年-2022年省市县行政区划矢量数据
转载:🚀权威、准确、长时间序列的一套行政区划矢量数据(China Temporal sequence Administrative Map)