最近看了新周刊的一篇推送，有关地铁名字的分析，链接如下。
我们分析了3447个地铁站，发现了中国城市地名的秘密
于是乎也想着自己去获取数据，然后进行分析一番。
当然分析水平不可能和他们的相比，毕竟文笔摆在那里，也就那点水平。
大家看着乐呵就好，能提高的估摸着也就只有数据的准确性啦。
文中所用到的地铁站数据并没有去重，对于换乘站，含有大量重复。
即使作者一直在强调换乘站占比很小，影响不是很大。
但于我而言，去除重复数据还是比较简单的。
然后照着人家的路子去分析，多学习一下。
/ 01 / 获取分析
地铁信息获取从高德地图上获取。
![]()
上面主要获取城市的「id」，「cityname」及「名称」。
用于拼接请求网址，进而获取地铁线路的具体信息。
![]()
找到请求信息，获取各个城市的地铁线路以及线路中站点详情。
/ 02 / 数据获取
具体代码如下。
import jsonimport requestsfrom bs4 import BeautifulSoupheaders = {'user-agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36'}def get_message(ID, cityname, name): """ 地铁线路信息获取 """ url = 'http://map.amap.com/service/subway?_1555502190153&srhdata=' + ID + '_drw_' + cityname + '.json' response = requests.get(url=url, headers=headers) html = response.text result = json.loads(html) for i in result['l']: for j in i['st']: # 判断是否含有地铁分线 if len(i['la']) > 0: print(name, i['ln'] + '(' + i['la'] + ')', j['n']) with open('subway.csv', 'a+', encoding='gbk') as f: f.write(name + ',' + i['ln'] + '(' + i['la'] + ')' + ',' + j['n'] + '\n') else: print(name, i['ln'], j['n']) with open('subway.csv', 'a+', encoding='gbk') as f: f.write(name + ',' + i['ln'] + ',' + j['n'] + '\n')def get_city(): """ 城市信息获取 """ url = 'http://map.amap.com/subway/index.html?&1100' response = requests.get(url=url, headers=headers) html = response.text # 编码 html = html.encode('ISO-8859-1') html = html.decode('utf-8') soup = BeautifulSoup(html, 'lxml') # 城市列表 res1 = soup.find_all(class_="city-list fl")[0] res2 = soup.find_all(class_="more-city-list")[0] for i in res1.find_all('a'): # 城市ID值 ID = i['id'] # 城市拼音名 cityname = i['cityname'] # 城市名 name = i.get_text() get_message(ID, cityname, name) for i in res2.find_all('a'): # 城市ID值 ID = i['id'] # 城市拼音名 cityname = i['cityname'] # 城市名 name = i.get_text() get_message(ID, cityname, name)if __name__ == '__main__': get_city()
最后成功获取数据。
![]()
包含换乘站数据，一共3541个地铁站点。
/ 03 / 数据可视化
先对数据进行清洗，去除重复的换乘站信息。
from wordcloud import WordCloud, ImageColorGeneratorfrom pyecharts import Line, Barimport matplotlib.pyplot as pltimport pandas as pdimport numpy as npimport jieba# 设置列名与数据对齐pd.set_option('display.unicode.ambiguous_as_wide', True)pd.set_option('display.unicode.east_asian_width', True)# 显示10行pd.set_option('display.max_rows', 10)# 读取数据df = pd.read_csv('subway.csv', header=None, names=['city', 'line', 'station'], encoding='gbk')# 各个城市地铁线路情况df_line = df.groupby(['city', 'line']).count().reset_index()print(df_line)
通过城市及地铁线路进行分组，得到全国地铁线路总数。
![]()
一共183条地铁线路。
def create_map(df): # 绘制地图 value = [i for i in df['line']] attr = [i for i in df['city']] geo = Geo("已开通地铁城市分布情况", title_pos='center', title_top='0', width=800, height=400, title_color="#fff", background_color="#404a59", ) geo.add("", attr, value, is_visualmap=True, visual_range=[0, 25], visual_text_color="#fff", symbol_size=15) geo.render("已开通地铁城市分布情况.html")def create_line(df): """ 生成城市地铁线路数量分布情况 """ title_len = df['line'] bins = [0, 5, 10, 15, 20, 25] level = ['0-5', '5-10', '10-15', '15-20', '20以上'] len_stage = pd.cut(title_len, bins=bins, labels=level).value_counts().sort_index() # 生成柱状图 attr = len_stage.index v1 = len_stage.values bar = Bar("各城市地铁线路数量分布", title_pos='center', title_top='18', width=800, height=400) bar.add("", attr, v1, is_stack=True, is_label_show=True) bar.render("各城市地铁线路数量分布.html")# 各个城市地铁线路数df_city = df_line.groupby(['city']).count().reset_index().sort_values(by='line', ascending=False)print(df_city)create_map(df_city)create_line(df_city)
已经开通地铁的城市数据，还有各个城市的地铁线路数。
![]()
一共32个城市开通地铁，其中北京、上海线路已经超过了20条。
城市分布情况。
![]()
大部分都是省会城市，还有个别经济实力强的城市。
线路数量分布情况。
![]()
可以看到大部分还是在「0-5」这个阶段的，当然最少为1条线。
# 哪个城市哪条线路地铁站最多print(df_line.sort_values(by='station', ascending=False))
探索一下哪个城市哪条线路地铁站最多。
![]()
北京10号线第一，重庆3号线第二。
![]()
![]()
还是蛮怀念北京1张票，2块钱地铁随便做的时候。
可惜好日子一去不复返了。
去除重复换乘站数据。
# 去除重复换乘站的地铁数据df_station = df.groupby(['city', 'station']).count().reset_index()print(df_station)
一共包含3034个地铁站，相较新周刊中3447个地铁站数据。
减少了近400个地铁站。
![]()
接下来看一下哪个城市地铁站最多。
# 统计每个城市包含地铁站数(已去除重复换乘站)print(df_station.groupby(['city']).count().reset_index().sort_values(by='station', ascending=False))
32个城市，上海第一，北京第二。
没想到的是，武汉居然有那么多地铁站。
![]()
现在来实现一下新周刊中的操作，生成地铁名词云。
def create_wordcloud(df): """ 生成地铁名词云 """ # 分词 text = '' for line in df['station']: text += ' '.join(jieba.cut(line, cut_all=False)) text += ' ' backgroud_Image = plt.imread('rocket.jpg') wc = WordCloud( background_color='white', mask=backgroud_Image, font_path='C:\Windows\Fonts\华康俪金黑W8.TTF', max_words=1000, max_font_size=150, min_font_size=15, prefer_horizontal=1, random_state=50, ) wc.generate_from_text(text) img_colors = ImageColorGenerator(backgroud_Image) wc.recolor(color_func=img_colors) # 看看词频高的有哪些 process_word = WordCloud.process_text(wc, text) sort = sorted(process_word.items(), key=lambda e: e[1], reverse=True) print(sort[:50]) plt.imshow(wc) plt.axis('off') wc.to_file("地铁名词云.jpg") print('生成词云成功!')create_wordcloud(df_station)
词云图如下。
![]()
广场、大道、公园占了前三，和新周刊的图片一样，说明分析有效。
words = []for line in df['station']: for i in line: # 将字符串输出一个个中文 words.append(i)def all_np(arr): """ 统计单字频率 """ arr = np.array(arr) key = np.unique(arr) result = {} for k in key: mask = (arr == k) arr_new = arr[mask] v = arr_new.size result[k] = v return resultdef create_word(word_message): """ 生成柱状图 """ attr = [j[0] for j in word_message] v1 = [j[1] for j in word_message] bar = Bar("中国地铁站最爱用的字", title_pos='center', title_top='18', width=800, height=400) bar.add("", attr, v1, is_stack=True, is_label_show=True) bar.render("中国地铁站最爱用的字.html")word = all_np(words)word_message = sorted(word.items(), key=lambda x: x[1], reverse=True)[:10]create_word(word_message)
统计一下，大家最喜欢用什么字来命名地铁。
![]()
路最多，在此之中上海的占比很大。
不信往下看。
# 选取上海的地铁站df1 = df_station[df_station['city'] == '上海']print(df1)
统计上海所有的地铁站，一共345个。
![]()
选取包含路的地铁站。
# 选取上海地铁站名字包含路的数据df2 = df1[df1['station'].str.contains('路')]print(df2)
有210个，约占上海地铁的三分之二，路的七分之二。
![]()
看来上海对路是情有独钟的。
具体缘由这里就不解释了，详情见新周刊的推送，里面还是讲解蛮详细的。
武汉和重庆则是对家这个词特别喜欢。
标志着那片土地开拓者们的籍贯与姓氏。
# 选取武汉的地铁站df1 = df_station[df_station['city'] == '武汉']print(df1)# 选取武汉地铁站名字包含家的数据df2 = df1[df1['station'].str.contains('家')]print(df2)# 选取重庆的地铁站df1 = df_station[df_station['city'] == '重庆']print(df1)# 选取重庆地铁站名字包含家的数据df2 = df1[df1['station'].str.contains('家')]print(df2)
武汉共有17个，重庆共有20个。
![]()
![]()
看完家之后，再来看一下名字包含门的地铁站。
def create_door(door): """ 生成柱状图 """ attr = [j for j in door['city'][:3]] v1 = [j for j in door['line'][:3]] bar = Bar("地铁站最爱用“门”命名的城市", title_pos='center', title_top='18', width=800, height=400) bar.add("", attr, v1, is_stack=True, is_label_show=True, yaxis_max=40) bar.render("地铁站最爱用门命名的城市.html")# 选取地铁站名字包含门的数据df1 = df_station[df_station['station'].str.contains('门')]# 对数据进行分组计数df2 = df1.groupby(['city']).count().reset_index().sort_values(by='line', ascending=False)print(df2)create_door(df2)
一共有21个城市，地铁站名包含门。
![]()
其中北京，南京，西安作为多朝古都，占去了大部分。
![]()
具体的地铁站名数据。
# 选取北京的地铁站df1 = df_station[df_station['city'] == '北京']# 选取北京地铁站名字包含门的数据df2 = df1[df1['station'].str.contains('门')]print(df2)# 选取南京的地铁站df1 = df_station[df_station['city'] == '南京']# 选取南京地铁站名字包含门的数据df2 = df1[df1['station'].str.contains('门')]print(df2)# 选取西安的地铁站df1 = df_station[df_station['city'] == '西安']# 选取西安地铁站名字包含门的数据df2 = df1[df1['station'].str.contains('门')]print(df2)
输出如下。
![]()
需要源码，点击阅读原文获取
|
|
转播
