全國地鐵城市數(shù)據(jù)分析（數(shù)據(jù)清洗+可視化分析)
一確定問題：
由題看出其屬于開放問題，沒有明確的目的（即可認(rèn)為無題），其重點是讓人發(fā)現(xiàn)問題（比如過程中分析時發(fā)現(xiàn)數(shù)據(jù)有哪些實在的問題就可以拿出來單獨分析），了解數(shù)據(jù)處理，數(shù)據(jù)可視化
但是可以通過該問題比較系統(tǒng)的了解數(shù)據(jù)分析的過程（實際上這里重點是數(shù)據(jù)分析中的評估部分）

1.獲取數(shù)據(jù)-采用爬蟲訪問百度地鐵地圖獲取數(shù)據(jù)的方法

request+xpath爬蟲:

得到url-http://map.amap.com/subway/index.html?&1100

發(fā)出請求得到響應(yīng)對象-request模塊

獲取響應(yīng)對象數(shù)據(jù)-使用text函數(shù)直接獲取網(wǎng)頁文本。有些數(shù)據(jù)為json字符串的形式，需要用到j(luò)son轉(zhuǎn)化

解析數(shù)據(jù)-通過使用xpath

持久化存儲-再數(shù)據(jù)分析中一般將數(shù)據(jù)保存為csv格式,跟利于處理

在過程中使用了time模塊-sleep函數(shù)防止網(wǎng)站宕機
主要的3個函數(shù)

#3個函數(shù) headers = {'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3947.100 Safari/537.36 2345Explorer/10.11.0.20694'}def get_city():#用于得到城市ID和城市名稱url = 'http://map.amap.com/subway/index.html?&1100'time.sleep(2)res = requests.get(url=url, headers=headers)res.raise_for_status()res.encoding = res.apparent_encodinghtml = res.textHtml = etree.HTML(html)# 城市列表res1 = Html.xpath('/html/body/div[1]/div[1]/div[1]/div[2]/div[1]/a')res2 = Html.xpath('/html/body/div[1]/div[1]/div[1]/div[2]/div[2]/div[2]/a')for i in res1:# 城市ID值ID = ''.join(i.xpath('.//@id')) # 屬性需要加上雙斜杠# 城市拼音名cityname = ''.join(i.xpath('.//@cityname')) # ./表示在當(dāng)層目錄下使用# 城市名name = ''.join(i.xpath('./text()'))get_message(ID, cityname, name)city_ID.update({name: ID})for i in res2:# 城市ID值ID = ''.join(i.xpath('.//@id'))# 城市拼音名cityname = ''.join(i.xpath('.//@cityname'))# 城市名name = ''.join(i.xpath('./text()'))# print(cityname)get_message(ID, cityname, name)city_ID = {}def get_message(ID, cityname, name):#用于得到城市的具體線路信息"""地鐵線路信息獲取"""url = 'http://map.amap.com/service/subway?_1555502190153&srhdata=' + ID + '_drw_' + cityname + '.json'# global end_listglobal stations# if end_list.get(cityname) == None:# end_list[cityname] = []# end_list[cityname].setdefault([])response = requests.get(url=url, headers=headers)time.sleep(2)html = response.text# print(html)result = json.loads(html)for i in result['l']:for j in i['st']:# 判斷是否含有地鐵分線if len(i['la']) > 0:# print(name,cityname,j['sl'],j['poiid'], i['ln'] + '(' + i['la'] + ')', j['n'])with open('subway.csv', 'a+', encoding='utf-8') as f:f.write(name + ',' + cityname + ',' + j['poiid'] + ',' + j['sl'] + ',' + i['ln'] + '(' + i['la'] + ')' + ',' + j['n'] + '\n')f.close()else:# print(name,cityname,j['sl'],j['poiid'], i['ln'], j['n'])with open('subway.csv', 'a+', encoding='utf-8')as f:f.write(name + ',' + cityname + ',' + j['poiid'] + ',' + j['sl'] + ',' + i['ln'] + ',' + j['n'] + '\n')f.close()# end_list[cityname].append(j['n'])print(name + '地鐵站點爬取結(jié)束')f.close()def get_district(df_data):#用于得到每個地鐵站點的行政區(qū)url1 = 'https://www.youbianku.com/SearchResults?address='# response=requests.get(url=url1,headers=headers)# response.enconding='utf-8'# print(response.text)from selenium.webdriver.common.desired_capabilities import DesiredCapabilitieschrome_options = webdriver.ChromeOptions()desired_capabilities = DesiredCapabilities.CHROMEdesired_capabilities["pageLoadStrategy"] = "none"chrome_options.add_argument('--headless')chrome_options.add_argument('--disable-gpu')driver = webdriver.Chrome(options=chrome_options,executable_path=r'C:\Users\Dcnightmare\Desktop\chromedriver')list_city=[]last_text=''# driver.get(url='https://www.youbianku.com')for i in list(zip(df_data['站點城市'].values, df_data['地鐵站點名稱'])):driver.get(url=url1 + ''.join(list(i)))# driver.find_element_by_id('mySearchInput').send_keys(''.join(list(i)))# driver.find_element_by_id('mySearchButton').click()html_from_page = driver.page_sourcehtml = etree.HTML(html_from_page)try:text = html.xpath('//div[@class="mw-parser-output"]/div[1]//table//tr[2]/td/text()')[0]text = text.split('市')[1].split('區(qū)')[0] + '區(qū)'except Exception:driver.execute_script("window.stop()")list_city.append(last_text)continueif text=='區(qū)':list_city.append(last_text)continuelast_text=textlist_city.append(last_text)df_data['行政區(qū)']=list_city

2.有了初步數(shù)據(jù)之后,需要進一步將數(shù)據(jù)變?yōu)槲覀兛梢允褂玫臄?shù)據(jù)

缺失值處理

(標(biāo)準(zhǔn)化,歸一化,離散化…)這里沒有使用因為這些數(shù)據(jù)處理都是用于分類,回歸等任務(wù)中,而本文主要是對地鐵站數(shù)據(jù)的簡單分析

重復(fù)項處理

import pandas as pddf_data = pd.read_csv('subway.csv', sep=',') # 使用pd的好處可以使用行和列名進行數(shù)據(jù)訪問print(df_data)# 缺失值處理：# 得到其讀取到的行print('刪除之前的行:',df_data.shape)# 得到所有的屬性非空項print(df_data.info())# 得出其中沒有缺失值的行# 重復(fù)數(shù)據(jù)處理# """刪除完全重復(fù)的站點"""df_data_1 = df_data.drop_duplicates() # 刪除掉完全相同的行# 得到刪除之后的行print('刪除之后的行:',df_data_1.shape)

這得到的數(shù)據(jù)真的就是最終數(shù)據(jù)集了嗎?
其實不然,如果仔細(xì)觀察可以發(fā)現(xiàn)其中有很多的站點存在重復(fù)（即一個站可能是多條地鐵線路站點的情況）,所以在考慮求一個城市總的站點數(shù)量時還需要去除其中的重復(fù)站點數(shù)量。

number_sum=0#統(tǒng)計總的站點數(shù)量num_station_check = {} # 用于檢查多余情況num_station_old = {}#統(tǒng)計處理前的各城市站點數(shù)量num_station_new = {} # 得到站點城市的地鐵站點實際數(shù)量for p in zip(df_data_3['站點城市'], df_data_3['地鐵站點名稱']):(i, j) = p# 原始數(shù)據(jù)if num_station_old.get(i) == None:num_station_old[i] = 1else:num_station_old[i] += 1# 處理后的數(shù)據(jù)if num_station_check.get(p) == None:number_sum+=1if num_station_new.get(i) == None:num_station_new[i] = 1else:num_station_new[i] += 1num_station_check[p] = 1

到此數(shù)據(jù)集的準(zhǔn)備工作就差不多了.

讓我們來試試做最有意思的部分吧!

3.數(shù)據(jù)分析+可視化
每個人開始分析的入手角度不同,所以看個人

分析各個城市的站點數(shù)量,因為他是最直觀的數(shù)據(jù)

分析城市的地鐵站點在全國分布情況

分析各城市地鐵站點在全國站點中的比率

分析各個城市的具體數(shù)據(jù)(內(nèi)部行政區(qū)/市)

出于比較所以我還找了2020年的地鐵站點數(shù)據(jù),如果有興趣也可這樣做,不過很可能有錯誤項,比如2020某城市地鐵數(shù)據(jù)量反而比2021年的高,不過找到這種情況之后可以通過自己再查新聞是否如此(還是挺有趣的)

這里主要通過的是pyecharts來進行的圖表繪制,因為其數(shù)據(jù)可視化效果比較好,maltplotlib我用著不好使
一.分析各個城市的站點數(shù)量

from pyecharts.charts import Barfrom pyecharts import options as optsfrom pyecharts.charts import Lineimport pandas as pdattr = list(num_station_new.keys())v1 = list(num_station_new.values())#新2021站點數(shù)據(jù)，主要體現(xiàn)數(shù)據(jù)處理v2 = list(num_station_old.values())#舊2021站點數(shù)據(jù)v1_v2 = [] # 用于得到換乘站點占比， 主要體現(xiàn)數(shù)據(jù)分析# 解釋：換乘占比越大其地鐵線路越是密集，其地鐵相對城市的規(guī)模也比較大，因為前期地鐵是以向外拓寬為核心，一般都會盡量避免出現(xiàn)換乘站點，導(dǎo)致其資源浪費# 當(dāng)然也不是絕對的，可能有所偏差，但是大方向是對的for i in range(0, len(v1)):v1_v2.append(round((v2[i] - v1[i]) / v1[i], 3)) # round用于保留數(shù)據(jù)的位數(shù)# print(('%.2f' %12.234456))#使用兩個%也可以達到格式化數(shù)據(jù)的目的bar1 = (Bar(init_opts=opts.InitOpts(width="1700px", height="800px")) # 注意添加默認(rèn)參數(shù)時是在init_opts參數(shù)中設(shè)置.add_xaxis(attr) .add_yaxis('station_number_2021_new', v1, itemstyle_opts=opts.ItemStyleOpts(color='blue'),label_opts=opts.LabelOpts(is_show=True, position='top', formatter="{c}",color='black')) # 顯示數(shù)據(jù)標(biāo)簽.add_yaxis('station_number_2021_old', v2, itemstyle_opts=opts.ItemStyleOpts(color='green'),label_opts=opts.LabelOpts(is_show=True, position='top', formatter="{c}",color='blue')) # 顯示數(shù)據(jù)標(biāo)簽.add_yaxis('換乘站點占比', v1_v2, itemstyle_opts=opts.ItemStyleOpts(color='orange'),label_opts=opts.LabelOpts(is_show=True, position='top', formatter="{c}",color='green')) # 顯示數(shù)據(jù)標(biāo)簽.extend_axis( # 設(shè)置次坐標(biāo)軸yaxis=opts.AxisOpts(name="換乘站點占比率", # 次坐標(biāo)軸名稱type_="value", # 次坐標(biāo)手類型min_=0, # 最小值max_=50, # 最大值is_show=True, # 是否顯示axisline_opts=opts.AxisLineOpts(is_show=False, # y軸線不顯示linestyle_opts=opts.LineStyleOpts(color='#f6c065')), # 設(shè)置線顏色, 字體顏色也變axistick_opts=opts.AxisTickOpts(is_show=False), # 刻度線不顯示axislabel_opts=opts.LabelOpts(formatter="{value}%"), # 次坐標(biāo)軸數(shù)據(jù)顯示格式)).set_global_opts( # 對x軸標(biāo)簽，y軸，標(biāo)題，圖例的格式和類型進行修改# 圖例默認(rèn)放到 上中 位置xaxis_opts=opts.AxisOpts(name='城市',name_location='middle',name_gap=30, # 與x軸線的距離# name_Rorate設(shè)置旋轉(zhuǎn)角度# x軸名稱的格式配置name_textstyle_opts=opts.TextStyleOpts(font_family='Microsoft Yahei',font_size=20,),# 坐標(biāo)軸刻度配置項axistick_opts=opts.AxisTickOpts(is_show=True,# is_show=False, # 是否顯示is_inside=True, # 刻度線是否在內(nèi)側(cè)),# 坐標(biāo)軸線的配置axisline_opts=opts.AxisLineOpts(linestyle_opts=opts.LineStyleOpts(width=1,color='black',)),axislabel_opts=opts.LabelOpts(rotate=40,font_size=12,font_family='Arial',font_weight='bold'),),yaxis_opts=opts.AxisOpts(name='station_number',name_location='middle',name_gap=30,name_textstyle_opts=opts.TextStyleOpts(font_family='Times New Roman',font_size=20,color='black',# font_weight='bolder',),axistick_opts=opts.AxisTickOpts(is_show=False, # 是否顯示is_inside=True, # 刻度線是否在內(nèi)側(cè)),axislabel_opts=opts.LabelOpts(font_size=12,font_family='Times New Roman',formatter="{value}" # y軸顯示方式以數(shù)據(jù)形式),splitline_opts=opts.SplitLineOpts(is_show=True), # y軸網(wǎng)格線axisline_opts=opts.AxisLineOpts(is_show=False), # y軸線),title_opts=opts.TitleOpts(title="城市地鐵站點數(shù)量", # 標(biāo)題title_textstyle_opts=opts.TextStyleOpts(font_size=20), # 主標(biāo)題字體大小subtitle="hello_data_analysis", # 副標(biāo)題pos_left='6%'),toolbox_opts=opts.ToolboxOpts(is_show=True),))bar1.render('bar_2021_and_2020.html') # 將其輸出為html文件#使用webbrowser模塊直接打開網(wǎng)頁import webbrowserwebbrowser.open('bar_2021_and_2020.html')print("直方圖分析結(jié)束!")

解釋這里的一個數(shù)據(jù)-換乘站點占比,由其地鐵站點實際分布的地圖,我初步認(rèn)為,在城市建立地鐵的初期都是在擴大其覆蓋區(qū)域,把居民區(qū)（郊區(qū)）和商業(yè)區(qū)（市中心）以及火車站、機場盡可能與客流量掛鉤的地方等連接起來,很少會出現(xiàn)站點重合的現(xiàn)象導(dǎo)致其換乘點占比就比較小,所以如果換乘站點占比大,可以粗略估計其地鐵的發(fā)展比較好,規(guī)模相對該城市規(guī)模而言也比較大,側(cè)面反映了當(dāng)?shù)氐慕?jīng)濟發(fā)展水平比較高.當(dāng)然還存在一些其他情況比如說考慮到地質(zhì)結(jié)構(gòu)，太容易塌陷的地方或者地震斷裂帶也是不行的.
來看結(jié)果:
![在這里插入圖片描述](https://img-blog.csdnimg.cn/20210617155151880.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2EyODQzNjU=,size_16,color_FFFFFF,t_70

換乘站點占比:

從圖中我們可以看到上海的換乘站點占比最高 ,然后查閱相關(guān)新聞時也發(fā)現(xiàn)上海的地鐵發(fā)展確實是在大陸地鐵發(fā)展排名靠前的,2020年其總行駛里程也是全國范圍內(nèi)最高的.不過其中有兩個城市存在偏差,就是青島和南昌,導(dǎo)致這個問題出現(xiàn)的原因,我推測像是在數(shù)量規(guī)模不大的時候其換乘站點占比就很高,很可能是因為當(dāng)?shù)氐陌l(fā)展不平衡導(dǎo)致的.為驗證結(jié)論先分析了青島各個區(qū)的地鐵數(shù)據(jù)和地鐵線路


我們發(fā)現(xiàn)都是在沿海位置,通過后面的地圖分析,其實就可以發(fā)現(xiàn)他的主要客流來源都比較集中,并且其城市并不太大導(dǎo)致其地鐵鏈路主要集中在這些客流量大的地方,所以其換乘占比比較高
南昌類似也是這種情況
二.分析城市的地鐵站點在全國分布情況
這里要說明的是:
因為繪制中國地圖時需要其經(jīng)緯度數(shù)據(jù),而我們只有每個站點的經(jīng)緯度數(shù)據(jù),所以需要再從網(wǎng)站找到這些站點城市的經(jīng)緯度數(shù)據(jù)
這里我們再次使用爬蟲
url->https://www.d1xz.net/xp/jingwei/

#ur偽裝 ity_provice={}#城市的provice provice_city={}#provice中的城市 stations = [] headers = {'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3947.100 Safari/537.36 2345Explorer/10.11.0.20694'} # jinwei = {} # 用于存放各大城市的主要經(jīng)緯度def get_jinwei(station_city):url = 'https://www.d1xz.net/xp/jingwei/'time.sleep(1)ans = requests.get(url=url, headers=headers)end = ans.textHtml = etree.HTML(end)res = Html.xpath('//div[@class="inner_con_art"]/table//tr')for i in range(1, 5):res = Html.xpath('//div[@class="inner_con_art"]/table//tr[' + str(i) + ']/td')for j in res:res_end = j.xpath('./strong/a/@href') # 緊接著之前的對象繼續(xù)進行xpath操作# print(res_end)if len(res_end) != 0:name = j.xpath('./strong/a/text()')[0]url_end = 'https://www.d1xz.net/' + res_end[0]ans_1 = requests.get(url=url_end, headers=headers)end_1 = ans_1.textHtml_1 = etree.HTML(end_1)res_1 = Html_1.xpath('//div[@class="inner_con_art"]/table//tr')for num_ in range(2, len(res_1)):end_end = Html_1.xpath('//div[@class="inner_con_art"]/table//tr[' + str(num_) + ']/td/text()')if end_end[0] in station_city:provice_city.setdefault(name,[]).append(end_end[0])city_provice.update({end_end[0]:name})jinwei.update({end_end[0]: [end_end[1], end_end[2]]})city_provice.update({'香港':'香港'})provice_city.update({'香港':['香港']})jinwei.update({'香港': ['114.12', '22.26']})

得到各城市的經(jīng)緯度數(shù)據(jù)之后就可以繪制地圖了

#全國地圖from pyecharts import options as optsfrom pyecharts.globals import ChartTypedata_yy=list(num_station_new.values())data_xx=list(num_station_new.keys())get_jinwei(data_xx)data=num_station_newprovice={}for i in data_xx:provice.setdefault(city_provice[i],0)provice[city_provice[i]]+=data[i]from pyecharts import options as optsfrom pyecharts.charts import Mapchina_map = (Map(init_opts=opts.InitOpts(width="1530px", height="684px",theme=ThemeType.CHALK)).add("中國地鐵", [list(z) for z in provice.items()], "china").set_global_opts(title_opts=opts.TitleOpts(title="中國地鐵數(shù)據(jù)"),visualmap_opts=opts.VisualMapOpts(max_=max(provice.values()), is_piecewise=True,textstyle_opts=opts.TextStyleOpts(color='write',font_size=20,font_family='Microsoft YaHei')),))#地鐵在各大城市的分布情況（從中國地圖來看 3D）from pyecharts import options as optsfrom pyecharts.charts import Map3Dfrom pyecharts.globals import ChartTypefrom pyecharts.commons.utils import JsCodefor i in num_station_new:jinwei[i].append(num_station_new[i])#添加城市的站點數(shù)量，也相當(dāng)于加上高度example_data = [(p,jinwei[p]) for p in num_station_new.keys()]c = (Map3D(init_opts=opts.InitOpts(width="1500px", height="700px")).add_schema(itemstyle_opts=opts.ItemStyleOpts(color="rgb(5,101,123)",opacity=1,border_width=0.8,border_color="rgb(62,215,213)",),map3d_label=opts.Map3DLabelOpts(is_show=False,formatter=JsCode("function(data){return data.name + " " + data.value[2];}"),),emphasis_label_opts=opts.LabelOpts(is_show=False,color="#fff",font_size=10,background_color="rgba(0,23,11,0)",),light_opts=opts.Map3DLightOpts(main_color="#fff",main_intensity=1.2,main_shadow_quality="high",is_main_shadow=False,main_beta=10,ambient_intensity=0.3,),).add(series_name="數(shù)據(jù)",data_pair=example_data,type_=ChartType.BAR3D,bar_size=1,shading="lambert",label_opts=opts.LabelOpts(is_show=False,formatter=JsCode("function(data){return data.name + ' ' + data.value[2];}"),),).set_global_opts(title_opts=opts.TitleOpts(title="城市數(shù)據(jù)")).render("帶有數(shù)據(jù)展示地圖.html"))import webbrowserwebbrowser.open('帶有數(shù)據(jù)展示地圖.html')print("地鐵城市在中國分布分析結(jié)束!")

結(jié)果如下:

可以看出地鐵城市的分布主要是一些沿海城市,而我們也知道沿海城市的經(jīng)濟發(fā)展相對其他城市要高出一截,也因為經(jīng)濟發(fā)展好,其流動人數(shù)也比較多.
查找原因后 發(fā)現(xiàn)實際上不是城市想修地鐵就可以修的,需要有高經(jīng)濟支持(一般都是GDP達到…才行)和人口數(shù)量的要求.
三.分析各城市地鐵站點在全國站點中的比率
如果數(shù)量不好直接比較的話，那么通過數(shù)據(jù)所占百分比就可以較好的實現(xiàn)比較各個城市地鐵站點數(shù)量

station_proportion=[]for i in num_station_new.values():station_proportion.append(("%.2f" %(i/number_sum*100)))from pyecharts.charts import Pieimport pyecharts.options as optsdata_pie=tuple(zip(num_station_new.keys(),station_proportion))# print(data_pie)pie=(Pie(init_opts=opts.InitOpts(width="1600px", height="1000px")).add(series_name='城市地鐵站點占比',data_pair=data_pie,center=[600,600],label_opts=opts.LabelOpts(distance=30,is_show=True),tooltip_opts=opts.TooltipOpts(is_show=True),radius=None# ,rosetype='radius'# ,rosetype='area'))pie.render('station_number_pie.html')import webbrowserwebbrowser.open('station_number_pie.html')print('站點數(shù)據(jù)餅狀圖展示結(jié)束!')

結(jié)果如下：

四.分析各個城市的具體數(shù)據(jù)(內(nèi)部行政區(qū)/市)
主要通過前面的3d中國地鐵地圖中的動態(tài)數(shù)據(jù)標(biāo)簽進行選擇,借助selenium實現(xiàn)對頁面動態(tài)數(shù)據(jù)的爬取,由爬取到的數(shù)據(jù)通過判斷是否為含有多個地鐵市的省中,如果是則通過彈出的窗口選擇省地圖還是市地圖
主要就是show_city函數(shù)

from pyecharts.charts import BMapfrom pyecharts.globals import BMapType, ChartTypejs = "window.open('{}','_blank');"def show_city(bro,city):#city使用字典型from pyecharts.globals import SymbolType, ThemeTypefrom pyecharts import options as optsglobal num_station_new,jinwei,num_city_new,df_data_3station = [] # 每條路線初始化為空stations = [] # 城市初始化為空center_x=0center_y=0station_point=[]for i in city[1]:data_ = df_data_3[df_data_3.站點城市 == i].values # 開始先對每條線路排了序center_x+=float(jinwei[i][0])center_y+=float(jinwei[i][1])for num, j in enumerate(data_): # columns屬性得到的迭代對象是列屬性名 類似于字典中的keys,indexs得到的是行屬性名一般是序號station.append([j[4], j[5], j[6]])station_point.append([j[4], j[5], j[6]])if num == len(data_) - 1 or data_[num + 1][6] != data_[num][6]:stations.append(station)station = []center_x/=len(city[1])center_y/=len(city[1])if len(city[1])!=1:Zoom=8else:Zoom=10map_b = ( # 不要異想天開認(rèn)為可以將其拆開 然后每一條線賦值從而達到可以使用不同顏色添加不同的類型圖的目的BMap(init_opts=opts.InitOpts(width="1500px", height="800px",theme=ThemeType.MACARONS)).add_schema(baidu_ak='ybGicIBt9c56brfI4alusbE8SfclQcjW', # 百度地圖開發(fā)應(yīng)用appkeycenter=[center_x,center_y], # 當(dāng)前視角的中心點zoom=Zoom, # 當(dāng)前視角的縮放比例is_roam=True, # 開啟鼠標(biāo)縮放和平移漫游).add(series_name=city[0]+'地鐵',type_=ChartType.LINES, # 設(shè)置Geo圖類型,(pyecharts庫中負(fù)責(zé)地理坐標(biāo)系的模塊是Geo)# 如果是默認(rèn)的 則為點型有參數(shù)symbol_size用于設(shè)置點的大小# data_pair=stations, # 數(shù)據(jù)i項data_pair=stations,is_polyline=True, # 是否是多段線，在畫lines圖情況下#linestyle_opts=opts.LineStyleOpts(color="blue", opacity=0.5, width=1.5), # 線樣式配置項effect_opts=opts.EffectOpts(symbol=SymbolType.ROUND_RECT, symbol_size=3, color="red")).set_global_opts(title_opts=opts.TitleOpts(title=city[0]+"的地鐵線路"),tooltip_opts=opts.TooltipOpts(is_show=True)).add_control_panel(maptype_control_opts=opts.BMapTypeControlOpts(type_=BMapType.MAPTYPE_CONTROL_HORIZONTAL), # 切換地圖類型的控件scale_control_opts=opts.BMapScaleControlOpts(), # 比例尺控件overview_map_opts=opts.BMapOverviewMapControlOpts(is_open=True), # 添加縮略地圖navigation_control_opts=opts.BMapNavigationControlOpts() # 地圖的平移縮放控件)# .add_coordinate_json(json_file='json.json').set_series_opts(effect_opts=opts.EffectOpts(is_show=True, color='red')).render(city[0]+'地鐵線路圖.html'))# print('ok1')# # map_b.render(city[0]+'.html')# # bro.execute_script(js.format(city[0]+'.html'))data_yy = list(num_station_new.values())data = num_station_newstation_sum = 0df_x=[]df_y=[]from collections import Counterfor i in city[1]:station_sum += data[i]count = dict(Counter(num_city_new[i]))df_x+=list(count.keys())df_y+=list(count.values())data_xy=tuple(zip(df_x,df_y))data_xy=sorted(data_xy,key=lambda x:x[1],reverse=True)data_xy=dict(data_xy)from pyecharts import options as optsfrom pyecharts.charts import Map#每個城市單獨的分布地圖if len(city[1])!=1:df_city_x=[i+'市' for i in city[1]]df_city_y = [num_station_new[i] for i in city[1]]show_city = (Map(init_opts=opts.InitOpts(width="1700px", height="760px",theme=ThemeType.CHALK)).add(city[0], [list(z) for z in zip(df_city_x,df_city_y)],maptype=city[0]).set_global_opts(title_opts=opts.TitleOpts(title=city[0]+"地鐵數(shù)據(jù)",title_textstyle_opts=opts.TextStyleOpts(font_size=20)),visualmap_opts=opts.VisualMapOpts(max_=max(df_city_y),is_piecewise=True,range_color=["lightskyblue", "yellow", "orangered"], range_text=["High", "Low"],textstyle_opts=opts.TextStyleOpts(color='write', font_size=20,font_family='Microsoft YaHei')),legend_opts=opts.LegendOpts(is_show=False)))show_pie=(Pie(init_opts=opts.InitOpts(width="200px", height="200px",theme=ThemeType.DARK)).add(city[0]+"各城市地鐵占比",data_pair=[list(i) for i in zip(df_city_x,df_city_y)],radius=["20%", "30%"],center=[1200, 450],label_opts=opts.LabelOpts(position="outside",formatter="{a|{a}}{abg|}\n{hr|}\n {b|{b}: }{c} {per|ozvdkddzhkzd%} ",background_color="#eee",border_color="#aaa",border_width=1,border_radius=4,rich={"a": {"color": "#999", "lineHeight": 22, "align": "center"},"abg": {"backgroundColor": "#e3e3e3","width": "100%","align": "right","height": 22,"borderRadius": [4, 4, 0, 0],},"hr": {"borderColor": "blue","width": "100%","borderWidth": 0.5,"height": 0,},"b": {"fontSize": 16, "lineHeight": 33},"per": {"color": "#eee","backgroundColor": "#334455","padding": [2, 4],"borderRadius": 2,},},),).set_global_opts(legend_opts=opts.LegendOpts(is_show=True)))else:show_city = (Map(init_opts=opts.InitOpts(width="1700px", height="760px", theme=ThemeType.DARK)).add(city[0], [list(z) for z in zip(df_x, df_y)], maptype=city[0]).set_global_opts(title_opts=opts.TitleOpts(title=city[0]+"地鐵數(shù)據(jù)"),visualmap_opts=opts.VisualMapOpts(max_=max(df_y), is_piecewise=True,range_color=["lightskyblue", "yellow", "orangered"], range_text=["High", "Low"],textstyle_opts=opts.TextStyleOpts(color='write', font_size=20,font_family='Microsoft YaHei')), legend_opts=opts.LegendOpts(is_show=False)))data_pie_y=[round(i / sum(df_y)*100, 2) for i in df_y]show_pie = (Pie(init_opts=opts.InitOpts(width="1530px", height="684px",theme=ThemeType.CHALK)).add(city[0] + "各區(qū)地鐵占比",data_pair=[list(i) for i in zip(df_x, df_y)],radius=["40%", "60%"],center=[1200, 450],label_opts=opts.LabelOpts(is_show=True, position="inside",color='black'),).set_global_opts(legend_opts=opts.LegendOpts(is_show=False),title_opts=opts.TitleOpts(title=city[0]+"各區(qū)地鐵站點占比",pos_top='top',pos_right='10%',title_textstyle_opts=opts.TextStyleOpts(color='purple'))).set_series_opts(tooltip_opts=opts.TooltipOpts(trigger="item", formatter="{a} <br/>{b}: {c} (ozvdkddzhkzd%)"),# label_opts=opts.LabelOpts(formatter="{b}: {c}")))from pyecharts import options as optsfrom pyecharts.charts import Liquidfrom pyecharts.commons.utils import JsCodeliquid = (Liquid(init_opts=opts.InitOpts(width="200px", height="200px",theme=ThemeType.CHALK)).add(city[0]+'占比',[round(station_sum/sum(data_yy),4),1-round(station_sum/sum(data_yy),4)],center=[1200,450],shape=SymbolType.ARROW,label_opts=opts.LabelOpts(font_size=40,formatter=JsCode("""function (param) {return (Math.floor(param.value * 10000) / 100) + '%';}"""),position="inside",),).set_global_opts(title_opts=opts.TitleOpts(title=city[0]+"地鐵站點在全國占比",pos_top='top',pos_right='10%',title_textstyle_opts=opts.TextStyleOpts(color='purple'))))from pyecharts import options as optsfrom pyecharts.charts import Funnelif len(df_y) > 15:copy_y = list(data_xy.values())[:15]copy_x = list(data_xy.keys())[:15]else:copy_y = list(data_xy.values())copy_x = list(data_xy.keys())loudou = (Funnel(init_opts=opts.InitOpts(width="1530px", height="684px", theme=ThemeType.CHALK)).add(city[0] + "地鐵",[list(z) for z in zip(copy_x, copy_y)],label_opts=opts.LabelOpts(position="inside"),).set_global_opts(legend_opts=opts.LegendOpts(is_show=True),visualmap_opts=opts.VisualMapOpts(is_show=True, type_='color', max_=max(df_y),is_piecewise=True,textstyle_opts=opts.TextStyleOpts(color='write',font_size=15,font_family='Microsoft YaHei')),title_opts=opts.TitleOpts(title=city[0]+'地鐵分析',title_textstyle_opts=opts.TextStyleOpts(font_size=20))))from pyecharts.charts import Barshow_bar=(Bar(init_opts=opts.InitOpts(width="1700px", height="760px", theme=ThemeType.CHALK)) # 注意添加默認(rèn)參數(shù)時是在init_opts參數(shù)中設(shè)置.add_xaxis(copy_x).add_yaxis('2021'+city[0]+'地鐵分布', copy_y, itemstyle_opts=opts.ItemStyleOpts(color='blue'),label_opts=opts.LabelOpts(is_show=True, position='top', formatter="{c}",color='Magenta4')) # 顯示數(shù)據(jù)標(biāo)簽.set_global_opts( # 對x軸標(biāo)簽，y軸，標(biāo)題，圖例的格式和類型進行修改# datazoom_opts=opts.DataZoomOpts(is_show=True),visualmap_opts=opts.VisualMapOpts(is_show=True, type_='color', max_=max(df_y),is_piecewise=True,textstyle_opts=opts.TextStyleOpts(color='write',font_size=15,font_family='Microsoft YaHei')),xaxis_opts=opts.AxisOpts(name='City',name_location='middle',name_gap=30, # 與x軸線的距離# name_Rorate設(shè)置旋轉(zhuǎn)角度# x軸名稱的格式配置name_textstyle_opts=opts.TextStyleOpts(font_family='Microsoft Yahei',font_size=20,),# 坐標(biāo)軸刻度配置項axistick_opts=opts.AxisTickOpts(is_show=True,# is_show=False, # 是否顯示is_inside=True, # 刻度線是否在內(nèi)側(cè)),# 坐標(biāo)軸線的配置axisline_opts=opts.AxisLineOpts(linestyle_opts=opts.LineStyleOpts(width=1,color='black',)),axislabel_opts=opts.LabelOpts(rotate=40,font_size=12,font_family='Arial',font_weight='bold'),),yaxis_opts=opts.AxisOpts(name='station_number',name_location='middle',name_gap=30,name_textstyle_opts=opts.TextStyleOpts(font_family='Times New Roman',font_size=20,color='black',# font_weight='bolder',),axistick_opts=opts.AxisTickOpts(is_show=False, # 是否顯示is_inside=True, # 刻度線是否在內(nèi)側(cè)),axislabel_opts=opts.LabelOpts(font_size=12,font_family='Times New Roman',formatter="{value}" # y軸顯示方式以數(shù)據(jù)形式),splitline_opts=opts.SplitLineOpts(is_show=True), # y軸網(wǎng)格線axisline_opts=opts.AxisLineOpts(is_show=False), # y軸線),title_opts=opts.TitleOpts(title=city[0]+"地鐵站點數(shù)量", # 標(biāo)題title_textstyle_opts=opts.TextStyleOpts(font_size=20), # 主標(biāo)題字體大小),))from pyecharts.charts import Gridfrom pyecharts.globals import SymbolType, ThemeTypegrid1 = (Grid(init_opts=opts.InitOpts(width="1530px", height="684px", theme=ThemeType.CHALK)).add(show_city, grid_opts=opts.GridOpts(pos_bottom='50%', pos_right='left')).add(show_pie, grid_opts=opts.GridOpts(pos_bottom='50%', pos_left='55%'))# .add(liquid, grid_opts=opts.GridOpts(pos_top='60%', pos_right='50%',width='100px',height='100px')))grid2=(Grid(init_opts=opts.InitOpts(width="1530px", height="684px", theme=ThemeType.CHALK)).add(show_bar, grid_opts=opts.GridOpts(pos_right='55%'))# .add(loudou,grid_opts=opts.GridOpts(pos_left='80%')).add(liquid,grid_opts=opts.GridOpts()))# print('ok5')from pyecharts.charts import Tabshow_tab=(Tab().add(grid2, city[0]+'地鐵數(shù)量情況').add(loudou,city[0]+'地鐵(<=15)').add(grid1, city[0]+'地鐵分布情況'))show_tab.render(city[0] + '.html')bro.execute_script(js.format(city[0] + '.html'))bro.execute_script(js.format(city[0]+'地鐵線路圖' + '.html'))bro.switch_to.window(bro.window_handles[0])

結(jié)果如下:
成都市數(shù)據(jù)




江蘇省的數(shù)據(jù):(其他省同理)


主要還是說明了其地鐵規(guī)模和分布情況
4.總結(jié)：
本次項目實際的分析比較少，主要是站點和其城市的分析，比較表層，沒有深入。比如數(shù)據(jù)集其實可以加入不同年份的數(shù)據(jù)進行比較，或者加入不同城市的地鐵帶來的收入，不同城市人們對地鐵的滿意度，等等數(shù)據(jù)內(nèi)容，出于網(wǎng)上資源有限所以沒有能找到可用數(shù)據(jù)。本數(shù)據(jù)集更多側(cè)重在可視化上，實際的原因分析比較少。

總結(jié)

以上是生活随笔為你收集整理的全国地铁城市数据分析（python实现）的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。