이 코드는 두 지점 사이의 운전 시간과 거리를 계산하기 위해 지리적 데이터가 포함된 포트폴리오를 다른 지역과 연결하려는 모든 사람에게 유용합니다. 이는 지원자의 지리적 분포를 쿼리한 후 승인된 프로젝트가 서로 얼마나 가까운지 자금 제공자가 이해할 수 있도록 돕기 위해 제가 할당한 작업에서 영감을 받았습니다.
이 기사에서는 API 호출, 내장 및 맞춤 기능을 사용하여 자선단체 목록(A지점)을 가장 가까운 기차역(B지점)과 일치시키고 거리를 마일 단위로 계산하고 운전하는 방법을 안내합니다. 분 단위의 시간입니다.
기타 사용 사례는 다음과 같습니다.
패키지:
이 기사에 사용된 리소스:
여기서 논의한 단계는 복잡해 보일 수 있지만 최종 결과는 여러 행의 데이터에 대해 지점 A와 지점 B 사이의 지리적 거리를 계산할 때 필요에 맞게 재사용하고 형식을 다시 지정할 수 있는 템플릿입니다.
예를 들어 100개의 자선단체와 협력하고 있다고 가정해 보겠습니다. 이러한 자선단체의 지리적 위치에 대한 광범위한 분석의 일환으로 이러한 자선단체가 인근 기차역과 얼마나 가까운지 알고 싶습니다. 이 데이터를 시각적으로 매핑하고 싶을 수도 있고, 먼 곳에서 자선 행사에 참석할 수 있는 접근성을 조사하는 등 추가 분석을 위한 출발점으로 사용할 수도 있습니다.
사용 사례가 무엇이든 수동으로 수행하려는 경우 단계는 다음과 같습니다.
이는 소수의 자선단체에 효과적일 수 있지만 시간이 지나면 그 과정은 시간이 많이 걸리고 지루하며 인적 오류가 발생하기 쉽습니다.
Python을 사용하여 이 작업을 완료하면 단계를 자동화할 수 있으며 사용자가 요구하는 몇 가지 추가 사항만 추가하면 마지막에 코드를 실행하기만 하면 됩니다.
작업을 단계별로 나누어 보겠습니다. 여기서 필요한 단계는 다음과 같습니다.
1단계를 완료하기 위해 Python을 사용하여 다음을 수행합니다.
1- 패키지 가져오기
# data manipulation import numpy as np import pandas as pd # http requests import requests # handling json import json # calculating distances import haversine as hs from haversine import haversine, Unit
2 - 데이터 가져오기 및 정리
# import as a pandas dataframe, specifying which columns to import
charities = pd.read_excel('charity_list.xlsx', usecols='A, C, E')
stations = pd.read_csv('uk-train-stations.csv', usecols=[1,2,3])
# renaming stations columns for ease of use
stations = stations.rename(columns={'station_name':'Station Name','latitude':'Station Latitude', 'longitude':'Station Longitude'})
'charities'라는 자선 데이터 세트가 포함된 변수는 추출한 데이터와 병합할 때 사용할 마스터 데이터 프레임이 됩니다.
현재 다음 단계는 자선단체 우편번호의 경도와 위도를 추출하는 함수를 만드는 것입니다.3 - 일치 기능을 위해 우편번호를 목록으로 변환
charities_pc = charities['Charity Postcode'].tolist()로그인 후 복사4 - 우편번호를 가져와 postcodes.io에 요청하고 위도와 경도를 기록하고 데이터를 새 데이터프레임에 반환하는 함수를 만듭니다.
자세한 내용은 postcodes.io 문서를 참조하세요def bulk_pc_lookup(postcodes): # set up the api request url = "https://api.postcodes.io/postcodes" headers = {"Content-Type": "application/json"} # specify our input data and response, specifying that we are working with data in json format data = {"postcodes": postcodes} response = requests.post(url, headers=headers, data=json.dumps(data)) # specify the information we want to extract from the api response if response.status_code == 200: results = response.json()["result"] postcode_data = [] for result in results: postcode = result["query"] if result["result"] is not None: latitude = result["result"]["latitude"] longitude = result["result"]["longitude"] postcode_data.append({"Charity Postcode": postcode, "Latitude": latitude, "Longitude": longitude}) return postcode_data # setting up a fail safe to capture any errors or results not found else: print(f"Error: {response.status_code}") return []로그인 후 복사5 - 자선 우편번호 목록을 함수에 전달하여 원하는 결과를 추출합니다
# specify where the postcodes are postcodes = charities_pc # save the results of the function as output output = bulk_pc_lookup(postcodes) # convert the results to a pandas dataframe output_df = pd.DataFrame(output) output_df.head()로그인 후 복사
참고:
- if your Point B data (in this case, the UK rail stations) does not already contain latitude and longitude, you will need to also performs steps 3 to 5 on the Point B data as well
- postcodes.io allows bulk look up requests for up to 100 postcodes at a time. if your dataset contains more than 100 postcodes, you will need to either manually create new excel sheets containing only 100 rows per sheet, or you will need to write a function to break your dataset into the required length for the API call
6 - we can now either merge our output_df with our original charity dataset, or, to leave our original data untouched, create a new dataframe that we will use for the rest of the project for our extracted results
charities_output = pd.merge(charities, output_df, on="Charity Postcode") charities_output.head()로그인 후 복사
Step 1 Complete
We now have two dataframes which we will use for the next steps:
- Our original stations dataframe containing the UK train stations latitude and longitude
- Our new charities_output dataframe containing the original charity information and the new latitude and longitude information extracted from our API call
Step 2 - Calculate the distance between Point A (charity) and Point B (train station), and record the nearest result for Point A
In this section, we will be using the haversine distance formula to:
- check the distance between a charity and every UK train station
- match the nearest result i.e. the UK train station with the minimum distance from our charity
- loop over our charities dataset to find the nearest match for each row
- record our results in a dataframe
Please note, for further information on using the haversine module, consult the documentation
1 - create a function for calculating the distance between Point A and Point B
def calc_distance(lat1, lon1, lat2, lon2): # specify data for location one, i.e. Point A loc1 = (lat1, lon1) # specify the data for location two, i.e. Point B loc2 = (lat2, lon2) # calculate the distance and specify the units as miles dist = haversine(loc1, loc2, unit=Unit.MILES) return dist로그인 후 복사2 - create a loop that calculates the distance between Point A and every row in Point B, and match the result where Point B is nearest to Point A
# create an empty dictionary to store the results results = {} # begin with looping over the dataset containing the data for Point A for index1, row1 in charities_output.iterrows(): # specify the location of our data charity_name = row1['Charity Name'] lat1 = row1['Latitude'] lon1 = row1['Longitude'] # track the minimum distance between Point A and every row of Point B min_dist = float('inf') # as the minimum distance i.e. nearest Point B is not yet known, create an empty string for storage min_station = '' # loop over the dataset containing the data for Point B for index2, row2 in stations.iterrows(): # specify the location of our data lat2 = row2['Station Latitude'] lon2 = row2['Station Longitude'] # use our previously created distance function to calculate the distance dist = calc_distance(lat1, lon1, lat2, lon2) # check each distance - if it is lower than the last, this is the new low. this will repeat until the lowest distance is found if dist < min_dist: min_dist = dist min_station = row2['Station Name'] results[charity_name] = {'Nearest Station': min_station, 'Distance (Miles)': min_dist} # convert the results dictionary into a dataframe res = pd.DataFrame.from_dict(results, orient="index") res.head()로그인 후 복사
3 - merge our new information with our charities_output dataframe
# as our dataframe output has used our charities as an index, we need to re-add it as a column res['Charity Name'] = res.index # merging with our existing output dataframe charities_output = charities_output.merge(res, on="Charity Name") charities_output.head()로그인 후 복사
Step 2 Complete
We now have all our information in one place, charities_output, containing:
- Our charity information
- The nearest station to each charity
- The distance in miles
Step 3 - Calculate the driving time for travel
Our final step uses Project OSRM to find the driving distance between each of our charities and its nearest station. This is helpful as miles are not always an accurate descriptor of distance, where, for example, in a city like London, a 1 mile journey might take as long as a 5 mile journey in a rural area.
To prepare for this step, we must have one dataframe containing the following information:
- charity information: name, longitude, latitude, nearest station, distance in miles
- station information: name, longtiude, latitude
1- create a data frame with the above information
drive_time_df = pd.merge(charities_output, stations, left_on='Nearest Station', right_on='Station Name') drive_time_df = drive_time_df.drop(columns=['Station Name']) drive_time_df.head()로그인 후 복사
2 - now that our dataframe is ready, we can set up our function for calculating drive time using Project OSRM
please note: for further information, consult the documentationurl = "http://router.project-osrm.org/route/v1/driving/{lon1},{lat1};{lon2},{lat2}" # function def calc_driveTime(row): # extract lat and lon lat1, lon1 = row['Latitude'], row['Longitude'] lat2, lon2 = row['Station Latitude'], row['Station Longitude'] # request response = requests.get(url.format(lat1=lat1, lon1=lon1, lat2=lat2, lon2=lon2)) # parse response data = json.loads(response.content) # drive time in seconds drive_time_sec = data["routes"][0]["duration"] # convert to minutes drive_time = round((drive_time_sec) / 60, 0) return drive_time로그인 후 복사3 - pass our data into our new function to calculate driving time in minutes
# apply the above function to our dataframe driving_time_res = drive_time_df.apply(calc_driveTime, axis=1) # add dataframe results as a new column drive_time_df['Driving Time (Minutes)'] = driving_time_res drive_time_df.head()로그인 후 복사
Step 4 Complete
We now have all our desired information in one compact dataframe. For layout purposes, and depending on what we want to do next with our data, we can create one final dataframe as output, containing the following information:
- Charity Name
- Nearest Station
- Distance (Miles)
- Driving Time (Minutes)
final_output = drive_time_df.drop(columns=['Charity Number', 'Charity Postcode', 'Latitude', 'Longitude', 'Station Latitude', 'Station Longitude']) final_output.head()로그인 후 복사
Thankyou for reading! I hope this was helpful. Please checkout my website if you are interested in my work.
위 내용은 포트폴리오의 지리와 비교기(점 A 및 점 B) 사이의 거리(시간 및 마일)를 계산하는 방법의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!
![[웹 프런트엔드] Node.js 빠른 시작](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
