208 Глава 9. Анализ данных о местоположении
(расстояние до места подачи для каждого автомобиля), так и непространственные данные (наличие или отсутствие детского кресла в каждом такси):
|
cab |
seat |
dist |
0 |
cab_26 |
0 |
2165 |
1 |
cab_112 |
1 |
2861 |
|
|
|
|
Преобразуем датафрейм в список кортежей, который затем фильтруем, оставляя только те строки, в поле seat которых установлено значение 1:
result_list = list(df.itertuples(index=False,name=None)) result_list = [x for x in result_list if x[1] == 1]
Используем метод датафрейма itertuples()для преобразования каждой строки в кортеж, затем оборачиваем кортежи в список с помощью функции list().
Последний шаг — определение строки с наименьшим значением в поле с расстоянием (индекс 2):
print(min(result_list, key=lambda x: x[2]))
Вывод:
('cab_112', 1, 2861)
Сравните его с результатом предыдущего раздела. Как видите, из-за потребности в детском кресле на этот заказ пришлось назначить другую машину.
Выводы
На реальном примере службы такси в этой главе показано, как анализировать пространственные данные. Мы начали с рассмотрения примера преобразования стандартного вида адреса в геокоординаты с помощью Google Geocoding API и библиотеки Python googlemaps. Затем научились использовать telegram-бота для сбора данных о местоположении со смартфонов. Далее мы воспользовались библиотеками geopy и Shapely для выполнения фундаментальных геопространственных операций, таких как измерение расстояния между точками и определение того, находятся ли точки в определенной области. С помощью этих библиотек, встроенных структур данных Python и pandas DataFrame мы разработали приложение, определяющее подходящий автомобиль для указанного места подачи на основе различных пространственных и непространственных критериев.