TransBigData 数据预处理指南
安装
bash
pip install transbigdata
数据质量评估
1. 数据概览 - data_summary()
输出数据集的基本统计信息。
python
import transbigdata as tbd
tbd.data_summary(
data,
col=['VehicleNum', 'Time'],
show_sample_duration=True,
roundnum=2
)
输出内容:
- •数据记录数
- •车辆/设备数
- •时间范围
- •采样间隔分布
2. 采样间隔分析 - sample_duration()
计算每条记录与前一条的时间间隔。
python
data_with_duration = tbd.sample_duration(
data,
col=['VehicleNum', 'Time']
)
# 返回包含 'duration' 列的 DataFrame（单位：秒）
数据过滤
3. 边界框过滤 - clean_outofbounds()
根据矩形边界过滤数据。
python
# 只保留研究范围内的数据
bounds = [113.75, 22.4, 114.62, 22.86] # [lon_min, lat_min, lon_max, lat_max]
data_clean = tbd.clean_outofbounds(
data,
bounds=bounds,
col=['Lng', 'Lat']
)
4. 多边形过滤 - clean_outofshape()
根据任意形状的地理边界过滤数据。
python
import geopandas as gpd
# 加载研究区域边界
area = gpd.read_file('study_area.shp')
data_clean = tbd.clean_outofshape(
data,
shape=area,
col=['Lng', 'Lat'],
accuracy=500 # 栅格精度，值越小越精确
)
ID 重编号
5. 按时间间隔重编号 - id_reindex()
当同一ID的记录时间间隔过大时，视为不同个体。
python
data_reindex = tbd.id_reindex(
data,
col='VehicleNum',
timegap=7200, # 时间阈值（秒），超过则分配新ID
timecol='Time',
new=False, # False: 保持相同ID索引一致
suffix='_new'
)
6. 按距离间隔重编号 - id_reindex_disgap()
当同一ID的相邻记录距离过大时，视为不同个体。
python
data_reindex = tbd.id_reindex_disgap(
data,
col='VehicleNum',
disgap=1000, # 距离阈值（米）
suffix='_new'
)
完整示例：数据预处理流程
python
import pandas as pd
import geopandas as gpd
import transbigdata as tbd
# 1. 加载数据
data = pd.read_csv('gps_data.csv')
data['Time'] = pd.to_datetime(data['Time'])
# 2. 数据质量检查
print("=== 数据概览 ===")
tbd.data_summary(data, col=['VehicleNum', 'Time'])
# 3. 添加采样间隔列
data = tbd.sample_duration(data, col=['VehicleNum', 'Time'])
print(f"采样间隔统计: 均值={data['duration'].mean():.1f}秒, 中位数={data['duration'].median():.1f}秒")
# 4. 边界过滤（深圳范围）
bounds = [113.75, 22.4, 114.62, 22.86]
data = tbd.clean_outofbounds(data, bounds=bounds, col=['Lng', 'Lat'])
print(f"边界过滤后: {len(data)} 条记录")
# 5. ID重编号（处理长时间断点）
data = tbd.id_reindex(data, col='VehicleNum', timegap=3600, timecol='Time')
print(f"重编号后车辆数: {data['VehicleNum_new'].nunique()}")
# 6. 保存处理后的数据
data.to_csv('gps_data_cleaned.csv', index=False)
使用建议
- •先检查后处理: 使用
data_summary()了解数据质量 - •边界过滤顺序: 先用边界框快速过滤，再用多边形精确过滤
- •ID重编号:
- •出租车数据通常用时间间隔（2小时）
- •手机信令数据可能需要用距离间隔
- •采样间隔: 了解数据采样频率有助于后续参数设置