/index.php/2024/11/ 欢迎来到星辰大海路上的种花家！ /index.php/posts/284.html 2024-11-16T03:33:00+00:00 import pandas as pdimport numpy as npimport matplotlib.pyplot as pltimport seaborn as snsfrom reportlab.lib.pagesizes import letterfrom reportlab.pdfgen import canvas数据模拟生成 (1000条数据)*roads = ['A路', 'B路', 'C路', 'D路', 'E路']times = ['08:00-10:00', '17:00-19:00']dates = pd.date_range(start='2024-01-01', periods=30, freq='D') # 模拟30天的数据随机生成数据*data = []for date in dates: for time in times: for road in roads: num_vehicles = np.random.randint(100, 500) # 车辆数目 signal_cycle = np.random.randint(60, 120) # 信号灯周期 avg_speed = np.random.randint(30, 60) # 平均车速 accidents = np.random.randint(0, 3) # 交通事故数量 data.append([date, road, time, num_vehicles, signal_cycle, avg_speed, accidents])模拟了一个包含多个道路、多个时段、多个日期的交通数据集。roads、times 和 dates 定义了数据的维度，而每条记录表示在某个时间段、某个道路上的交通情况。num_vehicles、signal_cycle、avg_speed 和 accidents 分别模拟了该时段该路段的车辆数量、信号灯周期、平均车速和交通事故数。将数据转换为DataFrame*df = pd.DataFrame(data, columns=['日期', '道路', '时间段', '车辆数目', '信号灯周期', '平均车速', '交通事故数'])数据清洗*df = df[df['车辆数目'] > 0]df = df[df['平均车速'] > 0]df = df[df['信号灯周期'] > 0]清洗数据的主要目的是移除无效记录，如 车辆数目、平均车速 或 信号灯周期 为零的情况，确保数据的有效性和合理性。数据分析*df['交通事故率'] = df['交通事故数'] / df['车辆数目'] # 计算交通事故率road_summary = df.groupby(['日期', '道路', '时间段']).agg({'车辆数目': 'sum', '平均车速': 'mean', '交通事故数': 'sum', '交通事故率': 'mean'}).reset_index()交通事故率：这里计算了每条记录的交通事故率，即 交通事故数 / 车辆数目，这一指标能有效反映事故的频发程度。聚合数据：按日期、道路和时间段对数据进行分组，并对每个组别进行汇总：sum：对 车辆数目 和 交通事故数 进行求和。mean：对 平均车速 和 交通事故率 计算均值。最终得到的 road_summary DataFrame 包含了按道路、时间段和日期汇总的车流量、车速、事故数等信息。数据可视化*4.1 设置字体（避免中文显示问题）*plt.rcParams['font.sans-serif'] = ['SimHei'] # 设置支持中文的字体plt.rcParams['axes.unicode_minus'] = False # 解决负号显示问题通过设置 plt.rcParams，确保了生成的图表能够正确显示中文字符，同时避免了负号显示问题。4.2 城市主要道路的车流量热力图*plt.figure(figsize=(10, 6))heatmap_data = road_summary.pivot_table(index='道路', columns='时间段', values='车辆数目', aggfunc='sum')sns.heatmap(heatmap_data, annot=True, cmap='YlGnBu', fmt='d')plt.title('城市主要道路车流量热力图')plt.xlabel('时间段')plt.ylabel('道路')plt.tight_layout()plt.savefig('traffic_heatmap.png') # 保存为PNG文件plt.close()通过热力图 (heatmap) 展示不同道路和时间段的车流量。使用 pivot_table 来转化数据，index 是道路，columns 是时间段，values 是车辆数目。annot=True 表示在每个格子中显示具体数值，cmap='YlGnBu' 选择了颜色映射。4.3 交通高峰时段的车流量趋势图*plt.figure(figsize=(10, 6))high_traffic = road_summary.groupby(['时间段'])['车辆数目'].sum()high_traffic.plot(kind='line', marker='o', color='b')plt.title('交通高峰时段车流量趋势图')plt.xlabel('时间段')plt.ylabel('总车流量')plt.grid(True)plt.tight_layout()plt.savefig('traffic_peak_times.png') # 保存为PNG文件plt.close()绘制了交通高峰时段的车流量趋势图，以时间段为 X 轴，总车流量为 Y 轴。通过 groupby 汇总每个时间段的车流量，并绘制折线图。4.4 各道路的事故分布图*plt.figure(figsize=(10, 6))sns.barplot(data=road_summary, x='道路', y='交通事故数', hue='时间段')plt.title('各道路事故分布图')plt.xlabel('道路')plt.ylabel('交通事故数')plt.tight_layout()plt.savefig('traffic_accident_distribution.png') # 保存为PNG文件plt.close()使用 barplot 绘制每条道路在不同时间段的事故数分布。通过 hue='时间段' 参数，按时间段分不同颜色。4.5 信号灯周期与车流量的关系曲线图plt.figure(figsize=(10, 6))sns.scatterplot(data=df, x='信号灯周期', y='车辆数目', hue='道路', style='时间段')plt.title('信号灯周期与车流量之间的关系')plt.xlabel('信号灯周期 (秒)')plt.ylabel('车辆数目')plt.legend(title='道路')plt.tight_layout()plt.savefig('signal_cycle_traffic_flow.png') # 保存为PNG文件plt.close()绘制了信号灯周期与车辆数目之间的散点图。每个点代表一个记录，hue='道路' 按道路分色，style='时间段' 按时间段区分点的样式。生成CSV文件*df.to_csv('traffic_data.csv', index=False, encoding='utf-8')将生成的数据保存为 CSV 文件，方便后续分析或存档。生成PDF报告*def generate_pdf_report(): c = canvas.Canvas("analysis_report.pdf", pagesize=letter) width, height = letter设置标题* c.setFont("Helvetica-Bold", 16) c.drawString(30, height - 40, "交通数据分析报告")添加数据分析过程* c.setFont("Helvetica", 12) c.drawString(30, height - 80, "1. 数据生成与清洗：") c.drawString(30, height - 100, " - 生成了包含交通流量、信号灯周期、车速和事故数等数据。") c.drawString(30, height - 120, " - 对异常值进行了处理，确保数据质量。")c.drawString(30, height - 140, "2. 数据分析：") c.drawString(30, height - 160, " - 按道路和时间段汇总数据，计算了车流量、车速和交通事故率。") c.drawString(30, height - 180, " - 发现高峰时段和高事故率区域。")c.drawString(30, height - 200, "3. 优化建议：") c.drawString(30, height - 220, " - 在高流量时段适当延长信号灯周期。") c.drawString(30, height - 240, " - 在事故高发区域加强交通管理。")添加图片（可视化图表）* c.drawImage("traffic_heatmap.png", 30, height - 450, width=500, height=300) c.drawImage("traffic_peak_times.png", 30, height - 780, width=500, height=300) c.drawImage("traffic_accident_distribution.png", 30, height - 1110, width=500, height=300) c.drawImage("signal_cycle_traffic_flow.png", 30, height - 1440, width=500, height=300)关闭并保存PDF* c.save()使用 reportlab 库创建了一个 PDF 报告。报告包含标题、分析过程、优化建议和图表。图表通过 drawImage 方法嵌入到 PDF 中。最终报告被保存为 analysis_report.pdfgenerate_pdf_report()# 7. 提供优化建议high_accident_areas = road_summary[road_summary['交通事故率'] > 0.01]peak_traffic_times = road_summary[road_summary['车辆数目'] > 400]print("高风险事故区域（事故率 > 1%）:")print(high_accident_areas[['日期', '道路', '时间段', '交通事故率']])print("\n高峰时段交通流量:")print(peak_traffic_times[['日期', '道路', '时间段', '车辆数目']])根据分析结果，提供了两种优化建议：高风险事故区域（事故率大于 1%），需要加强交通管理。高峰时段交通流量较大，可能需要调整信号灯周期等交通控制措施。# 假设建议：在高流量时段适当延长信号灯周期，并且在事故高发区域加强交通管理。样例.pdf /index.php/posts/274.html 2024-11-16T03:33:00+00:00 在这个一年中有许许多多的收获,例如有了第二个博客和一个主页:第二个博客主页在这个过程还是很艰辛的每天遇到许许多多的问题甚至一个问题一个星期都没有解决,好在结果是好的,在人生的道路上前行的肯定不是一帆风顺的,遇到困难静下来慢慢捋清楚逻辑,我认为学计算机最重要的就是思维逻辑,在生活中也有许多美好的风景:在学习上也有许多新的认知, 2024年对我的博客来说是充满挑战与成长的一年。因为刚刚开始什么东西都不知道虽然有大佬但是问多了也不太好,所谓师父领进门修行靠个人这句话说的很有道理,在之后的人生道路上,我会分享更多的知识和美丽的风景。敬请期待谢谢!