matlab数据可视化交通流量分析天气条件、共享单车时间序列数据
原文链接:http://tecdat.cn/?p=24121
此示例说明如何使用从传感器获得的数据分析共享单车交通模式, 来预处理带时间戳的数据。数据来自传感器。
此示例展示了如何执行各种数据清理、调整和预处理任务,例如删除缺失值和同步具有不同时间步长的时间戳数据。此外,突出显示数据探索,包括使用timetable
数据容器的可视化和分组计算 :
- 探索日常自行车交通
- 将自行车交通与当地天气条件进行比较
- 分析一周中不同天数和一天中不同时间的自行车流量
head
函数显示前八行 。head(bkTb)
【matlab数据可视化交通流量分析天气条件、共享单车时间序列数据】
![matlab数据可视化交通流量分析天气条件、共享单车时间序列数据](https://img.it610.com/image/info9/8a101fe7e3904ac6812eb4aeec42f9a5.png)
文章图片
数据有时间戳,方便使用时间表来存储和分析数据。时间表类似于表,但包括与数据行关联的时间戳。时间戳或行时间由
datetime
或 duration
值表示 。 datetime
和 duration
分别是用于表示时间点或经过时间的推荐数据类型。转换 为时间表 。您必须使用转换函数,因为
readtable
返回一个表。 行时间是标记行的元数据。但是,当您显示时间表时,行时间和时间表变量以类似的方式显示。请注意,该表有五个变量,而时间表有四个。 tabe2tmeabe(biel);
![matlab数据可视化交通流量分析天气条件、共享单车时间序列数据](https://img.it610.com/image/info9/715a0f5857e5496bb8964c7e17d8ce56.png)
文章图片
访问时间和数据 将
Day
变量转换 为分类变量。分类数据类型专为包含有限离散值集的数据而设计,例如一周中的日期名称。列出类别,以便它们按天顺序显示。使用点下标按名称访问变量。在时间表中,时间与数据变量分开处理。访问
Properties
时间表的 显示行时间是时间表的第一维,变量是第二维。该 DimensionNames
属性显示两个维度的名称,而该 VariableNames
属性显示沿第二个维度的变量的名称。bkDta.Poetis
![matlab数据可视化交通流量分析天气条件、共享单车时间序列数据](https://img.it610.com/image/info9/705ad4e5338348028c73afaafc2fe509.png)
文章图片
默认情况下,在将表转换为时间表时
table2timetable
指定 Timestamp
为第一个维度名称,因为这是原始表中的变量名称。您可以通过 Properties
.将维度的名称更改为
Time
和 Data
。DmesiNams = {'Time' 'Data'};
![matlab数据可视化交通流量分析天气条件、共享单车时间序列数据](https://img.it610.com/image/info9/42c1712931734686b4202df9ac5d8570.png)
文章图片
显示时间表的前八行。
![matlab数据可视化交通流量分析天气条件、共享单车时间序列数据](https://img.it610.com/image/info9/0c7401594ebf4d358e14e14af47519ab.png)
文章图片
确定最晚和最早的行时间之间经过的天数。一次引用一个变量时,可以通过点表示法访问这些变量。
lpsTie = max(bkeDa.Tme) - min(bkData.me)
![matlab数据可视化交通流量分析天气条件、共享单车时间序列数据](https://img.it610.com/image/info9/3afa491cce5e4d5e91ddb1793c8c9ddb.png)
文章图片
要检查特定日期的典型自行车数量,请计算自行车总数以及向西和向东行驶的数量的平均值。
通过对
bikeData
使用大括号的内容进行索引,将数字数据作为矩阵返回 。显示前八行。使用标准表下标访问多个变量。cs(1:8,)
![matlab数据可视化交通流量分析天气条件、共享单车时间序列数据](https://img.it610.com/image/info9/8da0c32a73884df4a3569585a285030e.png)
文章图片
由于均值仅适用于数值数据,因此您可以使用该
vartype
函数来选择数值变量。 vartype
比手动索引到表或时间表以选择变量更方便。计算平均值并忽略 NaN
值。mean(cots,'omitn')
![matlab数据可视化交通流量分析天气条件、共享单车时间序列数据](https://img.it610.com/image/info9/e0bfaa16b075425ba36dc5f60d84dd63.png)
文章图片
按日期和时间选择数据 要确定假期期间有多少人骑自行车,请检查 7 月 4 日假期的数据。按7 月 4 日的行时间索引时间表。当您索引行时间时,必须完全匹配时间。可以将时间索引指定为
datetime
或 duration
值,或者指定为可以转换为日期和时间的字符向量。可以多次指定为数组。bikeData
使用特定日期和时间进行索引 以提取 7 月 4 日的数据。如果仅指定日期,则假定时间为午夜或 00:00:00。d = {'208:00:00','09:00:00'};
bieDta(d,:)
![matlab数据可视化交通流量分析天气条件、共享单车时间序列数据](https://img.it610.com/image/info9/255f7cf350074e4ca207b08cebfc7875.png)
文章图片
![matlab数据可视化交通流量分析天气条件、共享单车时间序列数据](https://img.it610.com/image/info9/f431798851d74aafbb198f25a36e0eac.png)
文章图片
使用这种策略来提取一整天会很麻烦。您还可以指定时间范围而不对特定时间进行索引。创建时间范围下标,使用
timerange
函数。使用7 月 4 日一整天的时间范围在时间表中下标。指定开始时间为 7 月 4 日午夜,结束时间为 7 月 5 日午夜。默认情况下,
timerange
涵盖从开始时间开始的所有时间和直到但不包括结束时间。绘制一天中的自行车数量。jul4 = bikeData(tr,'Total');
hea(jl4)bar(4Tie,jl4otl)
![matlab数据可视化交通流量分析天气条件、共享单车时间序列数据](https://img.it610.com/image/info9/52d78185a63d4a12a8aff725b644278e.png)
文章图片
![matlab数据可视化交通流量分析天气条件、共享单车时间序列数据](https://img.it610.com/image/info9/4034138908864699874f976a2ba8ee8d.jpg)
文章图片
从图中可以看出,全天成交量更大,下午趋于平稳。由于许多企业都关门了,所以图中没有显示通勤时间的典型交通情况。晚上晚些时候的峰值可归因于在晚上的庆祝活动。为了更仔细地检查这些趋势,应将数据与典型日子的数据进行比较。
将 7 月 4 日的数据与 7 月其他时间的数据进行比较。
plot(jul.Time,ju.Toal)
hold o
plot(jl.Tme,ju4.otal)
![matlab数据可视化交通流量分析天气条件、共享单车时间序列数据](https://img.it610.com/image/info9/c0b5353a56f64a6caa0f2c28ce2d40fb.jpg)
文章图片
该图显示了工作日和周末之间交通差异的变化。7 月 4 日和 5 日的交通模式与周末交通模式一致。通过进一步的预处理和分析,可以更仔细地检查这些趋势。
预处理时间和数据使用
timetable
带时间戳的数据集通常很混乱,可能包含异常或错误。时间表非常适合解决异常和错误。时间表的行时间不必按任何特定顺序排列。它可以包含未按行时间排序的行。时间表还可以包含具有相同行时间的多行,尽管这些行可以具有不同的数据值。即使行时间已排序且唯一,它们也可能因不同大小的时间步长而不同。时间表甚至可以包含
NaT
或 NaN
值来指示缺失的行时间。该
timetable
数据类型提供了许多不同的方式解决失踪,复制或不均匀倍。您还可以重新采样或汇总数据以创建 _定期_ 时间表。当时间表是规则的时,它的行时间是经过排序且唯一的,并且在它们之间具有统一或均匀区间的时间步长。- 要查找缺失的行时间,请使用
ismissing
. - 要删除缺失的时间和数据,请使用
rmmissing
. - 要按行时间对时间表进行排序,请使用
sortrows
。 - 要生成具有唯一且已排序的行时间的时间表,请使用
unique
和retime
。 - 要生成常规时间表,请指定均匀区间的时间向量并使用
retime
。
![matlab数据可视化交通流量分析天气条件、共享单车时间序列数据](https://img.it610.com/image/info9/c494b1128baf49e6a9370fee59dacc4b.jpg)
文章图片
按时间顺序排序 确定时间表是否已排序。如果时间表的行时间按升序列出,则该时间表已排序。
issorted(bikeData)
![matlab数据可视化交通流量分析天气条件、共享单车时间序列数据](https://img.it610.com/image/info9/668755b75f85432884df3c7f7cebac8d.png)
文章图片
对时间表进行排序。该
sortrows
函数按行时间对行进行排序,从最早到最晚。如果存在具有重复行时间的行,则将 sortrows
所有重复项复制到输出。bikeData = https://www.it610.com/article/sortrows(bikeData);
issorted(bikeData)
![matlab数据可视化交通流量分析天气条件、共享单车时间序列数据](https://img.it610.com/image/info9/51cefdcd7f0b4625a4c7723785a6c617.png)
文章图片
识别和删除缺失的时间和数据 时间表的变量或其行时间中可能缺少数据指示符。例如,您可以将缺失的数值表示为
NaN
s,将缺失的日期时间值表示为 NaT
s。您可以分配,查找,删除,并用填充缺失值 standardizeMissing
,ismissing
,rmmissing
,和 fillmissing
功能。查找并计算时间表变量中的缺失值。在此示例中,缺失值表示未收集数据的情况。
ismssng(bieDa);
sum(isata)
![matlab数据可视化交通流量分析天气条件、共享单车时间序列数据](https://img.it610.com/image/info9/7372faa065824282bffddf8275cdddd7.png)
文章图片
来自的输出
ismissing
是一个 logical
矩阵,与表的大小相同,将缺失的数据值标识为真。显示缺少数据指示符的任何行。any(misDta,2);
![matlab数据可视化交通流量分析天气条件、共享单车时间序列数据](https://img.it610.com/image/info9/f132e64ef8024e2bad7c0597c4acbd46.png)
文章图片
仅查找时间表变量中的缺失数据,而不是时间。要查找缺失的行时间,请调用
ismissing
时间。ismisig(bikDa.time);
![matlab数据可视化交通流量分析天气条件、共享单车时间序列数据](https://img.it610.com/image/info9/dcccb43c52b04fbbbeacf315e90f7fd7.png)
文章图片
在本例中,缺失时间或数据值表示测量错误,可以排除。使用 删除表中包含缺失数据值和缺失行时间的行
rmmissing
。rmising(bieDaa);
![matlab数据可视化交通流量分析天气条件、共享单车时间序列数据](https://img.it610.com/image/info9/986854d5ec244b258f61e921fe3f09a4.png)
文章图片
miissing(ieDta.Time)
![matlab数据可视化交通流量分析天气条件、共享单车时间序列数据](https://img.it610.com/image/info9/c08856dc4fa94f7ab1dea512d56ddf3d.jpg)
文章图片
删除重复的时间和数据 确定是否有重复的时间和/或重复的数据行。您可能希望排除重复项,因为这些也可以被视为测量误差。通过查找排序时间之间的差异恰好为零的位置来识别重复时间。
idx = diff(biDat.Tme) == 0;
dup = biDaime(idx)
![matlab数据可视化交通流量分析天气条件、共享单车时间序列数据](https://img.it610.com/image/info9/ce556f7852a240e4a5ba05eb8333ce9b.png)
文章图片
重复三次, 11 月 19 日重复两次。检查与重复次数相关的数据。
![matlab数据可视化交通流量分析天气条件、共享单车时间序列数据](https://img.it610.com/image/info9/e931ca979c8e4c02ab15a7373d64d098.png)
文章图片
![matlab数据可视化交通流量分析天气条件、共享单车时间序列数据](https://img.it610.com/image/info9/cc764f4a098d4c5e8385c3b19ab47460.png)
文章图片
第一个有重复的次数但没有重复的数据,而其他的则完全重复。当时间表行在行中包含相同的行时间和相同的数据值时,它们被视为重复。您可以使用
unique
删除时间表中的重复行。该 unique
函数还按行时间对行进行排序。bkeata = unique(biketa);
具有重复时间但非重复数据的行需要一些解释。检查那些时间前后的数据。
![matlab数据可视化交通流量分析天气条件、共享单车时间序列数据](https://img.it610.com/image/info9/31428f7ae85447a0aec19e8bf66f5ccc.png)
文章图片
在这种情况下,由于数据和周围时间是一致的,因此重复时间可能是错误的。虽然它似乎代表 01:00:00,但不确定这应该是什么时间。可以累积数据以说明两个时间点的数据。
sum(Dta{dup(1),2:end})
![matlab数据可视化交通流量分析天气条件、共享单车时间序列数据](https://img.it610.com/image/info9/085065fac9e1483596df94f80eb87e59.png)
文章图片
这只是一种可以手动完成的情况。但是,对于许多行,该
retime
函数可以执行此计算。使用sum
聚合函数对唯一次数的数据进行累加 。总和适用于数字数据,但不适用于时间表中的分类数据。使用 vartype
标识数值变量。![matlab数据可视化交通流量分析天气条件、共享单车时间序列数据](https://img.it610.com/image/info9/51620b12487a4f4b8952c029c8b66618.png)
文章图片
您不能对分类数据求和,但由于一个标签代表一整天,因此取每一天的第一个值。您可以
retime
使用相同的时间向量再次执行 操作并将时间表连接在一起。cata = retme(ikat(:,vc,t,'frtvle');
![matlab数据可视化交通流量分析天气条件、共享单车时间序列数据](https://img.it610.com/image/info9/64d3dae34cf3468ba3592f35cbd6a186.png)
文章图片
检查时间区间的均匀性 数据似乎具有一小时的统一时间步长。要确定时间表中的所有行时间是否都如此,使用该
isregular
函数。 isregular
返回 true
有序的、均匀区间的时间(单调递增),没有重复或丢失的时间(NaT
或 NaN
)。![matlab数据可视化交通流量分析天气条件、共享单车时间序列数据](https://img.it610.com/image/info9/f7dcba4db9694a559ab4cbf7ca6a4fce.png)
文章图片
0
或 的输出 false
表明时间表中的时间区间不均匀。更详细地探索时间区间。\[min(dt);
max(dt)\]
![matlab数据可视化交通流量分析天气条件、共享单车时间序列数据](https://img.it610.com/image/info9/9c6dbff704614c4397bfbd8c0b05b571.png)
文章图片
要将时间表置于固定时间区间,请使用
retime
或 synchronize
并指定感兴趣的时间区间。确定每日自行车量 使用该
retime
函数确定每天的计数 。使用该sum
方法累积每天的计数数据 。这适用于数值数据,但不适用于时间表中的分类数据。用于 vartype
按数据类型标识变量。![matlab数据可视化交通流量分析天气条件、共享单车时间序列数据](https://img.it610.com/image/info9/a31c2db156954f6ebe2ed00f3e78e96a.png)
文章图片
如上所述,您可以
retime
再次执行 操作以使用适当的方法表示分类数据并将时间表连接在一起。dantat = rtime(bkeat(:,vc),'dily','firtau');
![matlab数据可视化交通流量分析天气条件、共享单车时间序列数据](https://img.it610.com/image/info9/02517460d5a84025a49ce2a269327fb5.png)
文章图片
比较自行车数量和天气数据 通过将自行车数量与天气数据进行比较,检查天气对骑行行为的影响。加载天气时间表,其中包括来自历史天气数据,包括暴风雨事件。
![matlab数据可视化交通流量分析天气条件、共享单车时间序列数据](https://img.it610.com/image/info9/cf2aa0fb617e4f85a5039c5b9737d564.png)
文章图片
要汇总时间表中的时间和变量,请使用
summary
函数。summary(wetherta)
![matlab数据可视化交通流量分析天气条件、共享单车时间序列数据](https://img.it610.com/image/info9/7215560e720c416f8c1d85a7b9be51fd.png)
文章图片
![matlab数据可视化交通流量分析天气条件、共享单车时间序列数据](https://img.it610.com/image/info9/79219fd085e1428eb2bde52bd479c6ab.png)
文章图片
使用 将自行车数据与天气数据组合成一个时间向量
synchronize
。您可以使用synchronize
重新采样或聚合时间表数据 。将两个时间表中的数据同步到一个公共时间向量,该时间向量是从它们各自的每日时间向量的交集构建的。
syhrone(dayout,wethrDta,'inseon';
![matlab数据可视化交通流量分析天气条件、共享单车时间序列数据](https://img.it610.com/image/info9/74f76e41e92c4bf0adb8db5db86008ff.jpg)
文章图片
比较单独 y 轴上的自行车交通数量和室外温度来检查趋势。从数据中删除周末进行可视化。
yyaxis left
plot(wekata.Time, ekdaaa.Tol)
yyaxis right
![matlab数据可视化交通流量分析天气条件、共享单车时间序列数据](https://img.it610.com/image/info9/e787bedac53848e8af833439c60ed740.jpg)
文章图片
该图显示交通和天气数据可能遵循类似的趋势。
![matlab数据可视化交通流量分析天气条件、共享单车时间序列数据](https://img.it610.com/image/info9/3150247289064703b2a71914bfbb7621.jpg)
文章图片
趋势相似,表明在寒冷的日子里骑自行车的人更少。
按星期几和一天中的时间分析 根据不同的时间区间(例如星期几和一天中的时间)检查数据。使用
varfun
对变量执行分组计算来确定每天的总计数 。sum
使用名称-值对指定 具有函数句柄和分组变量和首选输出类型的函数。bDa = varn(suket,'GpigVrles','Day',...
'Otpuoat''tale')fgue
bar(by{:,{'smestund',sumEbound'}})
![matlab数据可视化交通流量分析天气条件、共享单车时间序列数据](https://img.it610.com/image/info9/c2e2558ded874334ab4c77ccfab04e76.png)
文章图片
![matlab数据可视化交通流量分析天气条件、共享单车时间序列数据](https://img.it610.com/image/info9/cefeebb10aa44dc9b25e3e339d18f8fc.jpg)
文章图片
条形图表示工作日的交通量较大。此外,东行和西行方向也有所不同。这可能表明人们在进出城市时往往会选择不同的路线。另一种可能是,有些人一天进去,另一天回来。
确定一天中的小时
varfun
用于按组计算。varn(@mean,bketa(:,{'Wesbund','Estund','HfDay'}),...
'GrunVabes','fDay','Outputrmat','te');
bar(byr})
![matlab数据可视化交通流量分析天气条件、共享单车时间序列数据](https://img.it610.com/image/info9/c71d8ecee5a343a69c90bf9b10b80a6d.png)
文章图片
![matlab数据可视化交通流量分析天气条件、共享单车时间序列数据](https://img.it610.com/image/info9/e966b6db031c4d4fa38b8f64d330e77f.jpg)
文章图片
在典型的通勤时间(上午 9:00 和下午 5:00 左右)出现交通高峰。此外,东行和西行方向之间的趋势不同。一般来说,西行方向是朝向地区周围的住宅区和大学。东行方向是朝向市中心。
与东行方向相比,当天晚些时候西行方向的交通量更大。由于该地区的餐馆,这可能表明大学的时间表和交通。按星期几和一天中的小时检查趋势。
byra = varfun(@mikaa,'Grpiaibes',{'HOfDay','ay'},...
'OuutFort','tbl')
![matlab数据可视化交通流量分析天气条件、共享单车时间序列数据](https://img.it610.com/image/info9/de6a7afb578e4c76abd059a539630b60.jpg)
文章图片
要安排时间表以便将一周中的几天作为变量,请使用该
unstack
函数。hrnaWk = unstack(byD(:,{HrOfa','ay','u_Toal'),smTota','Da');
ribbon(hrnaW)
![matlab数据可视化交通流量分析天气条件、共享单车时间序列数据](https://img.it610.com/image/info9/d37715be4a8047c48f9c020ed86e87dd.jpg)
文章图片
![matlab数据可视化交通流量分析天气条件、共享单车时间序列数据](https://img.it610.com/image/info9/2635ae2fac614094937fefcca83a0be2.jpg)
文章图片
周一至周五的正常工作日也有类似的趋势,高峰时段出现高峰,晚上交通逐渐减少。周五的交易量较少,但总体趋势与其他工作日相似。周六和周日的趋势彼此相似,没有高峰时段,但在当天晚些时候成交量更大。周一至周五的深夜趋势也相似,周五成交量较少。
分析高峰时段的交通 要检查一天中的总体时间趋势,请按高峰时间拆分数据。使用
discretize
可以使用一天中的不同时间或时间单位 。例如,将数据分成 AM
、AMRush
、Day
、PMRush
、 的组 PM
。然后用于 varfun
按组计算平均值。brBn = varfun(@mean,beData:{'Toa','HLbel'})','Hbel',...
'Otpuorat',le)bar(brBn.en)
![matlab数据可视化交通流量分析天气条件、共享单车时间序列数据](https://img.it610.com/image/info9/3e79aa5df0c6491789fe611fb0703b5f.png)
文章图片
![matlab数据可视化交通流量分析天气条件、共享单车时间序列数据](https://img.it610.com/image/info9/4db70923e7884e2d82bd852b1b92ec42.jpg)
文章图片
一般来说,与一天中的其他时间相比,该区域在傍晚和早高峰时段的交通量大约是该区域的两倍。该区域清晨车流量很少,但傍晚和深夜的车流量仍然很大,堪比早晚高峰时段以外的白天。
![matlab数据可视化交通流量分析天气条件、共享单车时间序列数据](https://img.it610.com/image/info9/1062dec654cb40988b8f455751212ee5.jpg)
文章图片
最受欢迎的见解
1.R语言动态图可视化:如何、创建具有精美动画的图
2.TABLEAU的骑行路线地理数据可视化
3.用数据告诉你出租车资源配置是否合理
4.R语言GGMAP空间可视化机动车交通事故地图
5.用R语言制作交互式图表和地图
6.基于出租车GPS轨迹数据的研究:出租车行程的数据分析
7.R语言动态可视化:制作历史全球平均温度的累积动态折线图动画gif视频图
8.把握出租车的数据脉搏
9.共享单车大数据报告
推荐阅读
- Docker应用:容器间通信与Mariadb数据库主从复制
- 为什么孩子一定要学会可视化思维!
- 使用协程爬取网页,计算网页数据大小
- Java|Java基础——数组
- Python数据分析(一)(Matplotlib使用)
- Jsr303做前端数据校验
- Spark|Spark 数据倾斜及其解决方案
- 数据库设计与优化
- 爬虫数据处理HTML转义字符
- 数据库总结语句