123:基于 Python 的线路数据可视化分析项目

用户可用于对比人工与算法排线效果,通过计算绕路系数、总长度等核心指标,生成综合指标对比图和地理分布热力图,并输出统计汇总表,直观展示两种排线方案差异。【此简介由AI生成】

Branch1Tags0
FilesLast commitLast update
9 months ago

import pandas as pd import numpy as np import matplotlib.pyplot as plt import math from matplotlib.colors import LinearSegmentedColormap import warnings warnings.filterwarnings('ignore')

基础配置优化(确保中文显示和高清输出)

plt.rcParams['font.sans-serif'] = ['WenQuanYi Zen Hei', 'SimHei', 'Arial Unicode MS'] plt.rcParams['axes.unicode_minus'] = False plt.rcParams['figure.dpi'] = 200 plt.rcParams['savefig.dpi'] = 400 plt.rcParams['font.size'] = 10 plt.rcParams['axes.linewidth'] = 1.2 plt.rcParams['grid.linewidth'] = 1.0 plt.rcParams['grid.alpha'] = 0.3

1. 读取完整的人工和算法排线数据

print("读取完整的人工排线和算法排线数据...") manual_full = pd.read_csv('/mnt/人工排线数据_55条线路_重新生成版.csv') algorithm_full = pd.read_csv('/mnt/算法排线数据_55条线路_重新生成版.csv')

数据验证

print(f"数据验证完成:") print(f"人工排线:{manual_full['线路ID'].nunique()}条线路,{len(manual_full)}个点位") print(f"算法排线:{algorithm_full['线路ID'].nunique()}条线路,{len(algorithm_full)}个点位")

2. 计算所有线路的核心指标(用于可视化分组)

def calculate_route_metrics(lats, lngs): """计算线路的核心指标""" n_points = len(lats) if n_points < 2: return { '总长度_km': 0.0, '平均步长_km': 0.0, '绕路系数': 0.0, '点位数量': n_points }

# 计算步长距离
step_distances = []
total_length = 0.0
R = 6371.0

for i in range(1, n_points):
    lat1, lon1 = math.radians(lats[i-1]), math.radians(lngs[i-1])
    lat2, lon2 = math.radians(lats[i]), math.radians(lngs[i])
    
    dlat = lat2 - lat1
    dlon = lon2 - lon1
    a = math.sin(dlat/2)**2 + math.cos(lat1) * math.cos(lat2) * math.sin(dlon/2)**2
    distance = 2 * math.atan2(math.sqrt(a), math.sqrt(1-a)) * R
    
    step_distances.append(distance)
    total_length += distance

avg_step = np.mean(step_distances) if step_distances else 0.0
max_step = np.max(step_distances) if step_distances else 0.0
detour_coeff = max_step / avg_step if avg_step > 0 else 0.0

return {
    '总长度_km': round(total_length, 2),
    '平均步长_km': round(avg_step, 2),
    '绕路系数': round(detour_coeff, 2),
    '点位数量': n_points
}

计算所有线路的指标

def get_all_routes_metrics(data, route_type): """获取所有线路的指标""" route_metrics = [] unique_routes = sorted(data['线路ID'].unique())

for route_id in unique_routes:
    route_points = data[data['线路ID'] == route_id]
    lats = route_points['纬度'].values
    lngs = route_points['经度'].values
    metrics = calculate_route_metrics(lats, lngs)
    metrics['线路ID'] = route_id
    metrics['排线类型'] = route_type
    metrics['起点纬度'] = round(lats[0], 6) if len(lats) > 0 else np.nan
    metrics['起点经度'] = round(lngs[0], 6) if len(lngs) > 0 else np.nan
    route_metrics.append(metrics)

return pd.DataFrame(route_metrics)

获取所有线路指标

manual_metrics = get_all_routes_metrics(manual_full, "人工排线") algorithm_metrics = get_all_routes_metrics(algorithm_full, "算法排线") all_metrics = pd.concat([manual_metrics, algorithm_metrics], ignore_index=True)

print(f"\n指标计算完成,共{len(all_metrics)}条线路(人工55条,算法55条)")

3. 生成第一种对比图:线路指标综合对比(4个子图布局)

print("生成第一种对比图:线路指标综合对比图...")

创建自定义颜色映射

colors_manual = '#D62728' # 人工排线红色 colors_algorithm = '#1F77B4' # 算法排线蓝色

创建图表(2行2列,综合展示4个核心指标)

fig, axes = plt.subplots(2, 2, figsize=(24, 18)) fig.suptitle('人工排线 vs 算法排线 - 55条线路综合指标对比分析', fontsize=22, fontweight='bold', y=0.98, color='#2C3E50')

子图1:绕路系数分布对比(箱线图+散点图)

ax1 = axes[0, 0] detour_data = [ manual_metrics['绕路系数'].values, algorithm_metrics['绕路系数'].values ]

绘制箱线图

box_plot = ax1.boxplot(detour_data, labels=['人工排线\n(55条)', '算法排线\n(55条)'], patch_artist=True, widths=0.6, showfliers=False) box_plot['boxes'][0].set_facecolor(colors_manual) box_plot['boxes'][0].set_alpha(0.7) box_plot['boxes'][1].set_facecolor(colors_algorithm) box_plot['boxes'][1].set_alpha(0.7)

添加散点图(显示所有数据点)

for i, (data, color) in enumerate(zip(detour_data, [colors_manual, colors_algorithm])): y = data x = np.random.normal(i+1, 0.04, size=len(y)) # 轻微水平偏移,避免重叠 ax1.scatter(x, y, color=color, alpha=0.6, s=60, edgecolors='white', linewidth=1.5, zorder=3)

添加统计信息

ax1.axhline(y=manual_metrics['绕路系数'].mean(), color=colors_manual, linestyle='--', linewidth=2, alpha=0.8, label=f'人工平均: {manual_metrics["绕路系数"].mean():.2f}') ax1.axhline(y=algorithm_metrics['绕路系数'].mean(), color=colors_algorithm, linestyle='--', linewidth=2, alpha=0.8, label=f'算法平均: {algorithm_metrics["绕路系数"].mean():.2f}')

ax1.set_title('绕路系数分布对比\n(越小越好,≤2为优秀)', fontsize=16, fontweight='bold', pad=20) ax1.set_ylabel('绕路系数', fontsize=14, fontweight='bold') ax1.legend(fontsize=12, framealpha=0.9) ax1.grid(True, axis='y', linestyle='--') ax1.set_ylim(bottom=0)

子图2:总长度分布对比(直方图)

ax2 = axes[0, 1]

设置相同的 bins 范围

max_length = max(all_metrics['总长度_km'].max(), 1000) bins = np.linspace(0, max_length, 25)

绘制直方图

ax2.hist(manual_metrics['总长度_km'], bins=bins, alpha=0.7, color=colors_manual, label=f'人工排线\n平均: {manual_metrics["总长度_km"].mean():.1f}km', edgecolor='white', linewidth=1) ax2.hist(algorithm_metrics['总长度_km'], bins=bins, alpha=0.7, color=colors_algorithm, label=f'算法排线\n平均: {algorithm_metrics["总长度_km"].mean():.1f}km', edgecolor='white', linewidth=1)

ax2.set_title('线路总长度分布对比\n(单位:km)', fontsize=16, fontweight='bold', pad=20) ax2.set_xlabel('线路总长度 (km)', fontsize=14, fontweight='bold') ax2.set_ylabel('线路数量', fontsize=14, fontweight='bold') ax2.legend(fontsize=12, framealpha=0.9) ax2.grid(True, axis='y', linestyle='--')

子图3:点位数量分布对比(条形图)

ax3 = axes[1, 0]

统计点位数量分布

point_counts_manual = manual_metrics['点位数量'].value_counts().sort_index() point_counts_algorithm = algorithm_metrics['点位数量'].value_counts().sort_index()

确保x轴范围一致

all_counts = pd.concat([point_counts_manual, point_counts_algorithm]).index x_pos = np.arange(len(all_counts))

填充缺失的点位数量

counts_manual = [point_counts_manual.get(x, 0) for x in all_counts] counts_algorithm = [point_counts_algorithm.get(x, 0) for x in all_counts]

绘制条形图

width = 0.35 ax3.bar(x_pos - width/2, counts_manual, width, alpha=0.8, color=colors_manual, label='人工排线', edgecolor='white', linewidth=1) ax3.bar(x_pos + width/2, counts_algorithm, width, alpha=0.8, color=colors_algorithm, label='算法排线', edgecolor='white', linewidth=1)

ax3.set_title('线路点位数量分布对比', fontsize=16, fontweight='bold', pad=20) ax3.set_xlabel('点位数量', fontsize=14, fontweight='bold') ax3.set_ylabel('线路数量', fontsize=14, fontweight='bold') ax3.set_xticks(x_pos[::2]) # 每隔一个显示 ax3.set_xticklabels(all_counts[::2]) ax3.legend(fontsize=12, framealpha=0.9) ax3.grid(True, axis='y', linestyle='--')

子图4:平均步长vs绕路系数散点图(相关性分析)

ax4 = axes[1, 1]

绘制散点图

ax4.scatter(manual_metrics['平均步长_km'], manual_metrics['绕路系数'], color=colors_manual, alpha=0.7, s=80, edgecolors='white', linewidth=1.5, label=f'人工排线 (55条)', zorder=3) ax4.scatter(algorithm_metrics['平均步长_km'], algorithm_metrics['绕路系数'], color=colors_algorithm, alpha=0.7, s=80, edgecolors='white', linewidth=1.5, label=f'算法排线 (55条)', zorder=3)

添加趋势线

from scipy import stats

人工排线趋势线

if len(manual_metrics) > 1: slope_manual, intercept_manual, r_manual, p_manual, se_manual = stats.linregress( manual_metrics['平均步长_km'], manual_metrics['绕路系数'] ) x_manual = np.linspace(manual_metrics['平均步长_km'].min(), manual_metrics['平均步长_km'].max(), 100) y_manual = slope_manual * x_manual + intercept_manual ax4.plot(x_manual, y_manual, color=colors_manual, linestyle='--', linewidth=2, alpha=0.8, label=f'人工趋势线 (R²={r_manual**2:.3f})')

算法排线趋势线

if len(algorithm_metrics) > 1: slope_alg, intercept_alg, r_alg, p_alg, se_alg = stats.linregress( algorithm_metrics['平均步长_km'], algorithm_metrics['绕路系数'] ) x_alg = np.linspace(algorithm_metrics['平均步长_km'].min(), algorithm_metrics['平均步长_km'].max(), 100) y_alg = slope_alg * x_alg + intercept_alg ax4.plot(x_alg, y_alg, color=colors_algorithm, linestyle='--', linewidth=2, alpha=0.8, label=f'算法趋势线 (R²={r_alg**2:.3f})')

ax4.set_title('平均步长 vs 绕路系数相关性分析', fontsize=16, fontweight='bold', pad=20) ax4.set_xlabel('平均步长 (km)', fontsize=14, fontweight='bold') ax4.set_ylabel('绕路系数', fontsize=14, fontweight='bold') ax4.legend(fontsize=11, framealpha=0.9, loc='upper left') ax4.grid(True, linestyle='--') ax4.set_xlim(left=0) ax4.set_ylim(bottom=0)

调整布局

plt.tight_layout(rect=[0.02, 0.03, 0.98, 0.95])

保存第一种对比图

output_path1 = '/mnt/两种排线_55条线路综合指标对比图.png' plt.savefig( output_path1, dpi=400, bbox_inches='tight', facecolor='white', edgecolor='none', format='png' ) plt.close()

print(f"✅ 第一种对比图已保存:{output_path1}")

4. 生成第二种对比图:地理分布热力图(两种排线叠加对比)

print("生成第二种对比图:线路地理分布热力图对比...")

创建地理分布对比图(2个子图并排,分别显示人工和算法排线的点位分布)

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(28, 14)) fig.suptitle('人工排线 vs 算法排线 - 55条线路地理分布热力图对比\n(颜色越深表示点位密度越高)', fontsize=22, fontweight='bold', y=0.98, color='#2C3E50')

定义地理范围(基于数据实际范围)

lat_min = min(all_metrics['起点纬度'].min(), 31.5) lat_max = max(all_metrics['起点纬度'].max(), 35.5) lng_min = min(all_metrics['起点经度'].min(), 110.5) lng_max = max(all_metrics['起点经度'].max(), 115.5)

创建自定义热力图颜色映射

cmap_manual = LinearSegmentedColormap.from_list('manual_cmap', ['#FFEEEE', '#D62728']) cmap_algorithm = LinearSegmentedColormap.from_list('algorithm_cmap', ['#EEF3FF', '#1F77B4'])

子图1:人工排线地理分布热力图

ax1.set_title('人工排线 - 55条线路点位地理分布', fontsize=18, fontweight='bold', pad=20)

绘制热力图(使用六边形分箱)

hexbin1 = ax1.hexbin( manual_full['经度'], manual_full['纬度'], gridsize=30, cmap=cmap_manual, mincnt=1, alpha=0.8, edgecolors='white', linewidths=0.5 )

叠加线路起点标记

ax1.scatter( manual_metrics['起点经度'], manual_metrics['起点纬度'], color=colors_manual, s=100, alpha=0.9, edgecolors='white', linewidth=2, marker='o', label='线路起点(共55个)' )

添加颜色条

cbar1 = plt.colorbar(hexbin1, ax=ax1, shrink=0.8, aspect=30) cbar1.set_label('点位数量(每六边形)', fontsize=12, fontweight='bold')

ax1.set_xlabel('经度', fontsize=16, fontweight='bold') ax1.set_ylabel('纬度', fontsize=16, fontweight='bold') ax1.set_xlim(lng_min, lng_max) ax1.set_ylim(lat_min, lat_max) ax1.grid(True, linestyle='--', alpha=0.4) ax1.legend(fontsize=12, framealpha=0.9)

子图2:算法排线地理分布热力图

ax2.set_title('算法排线 - 55条线路点位地理分布', fontsize=18, fontweight='bold', pad=20)

绘制热力图

hexbin2 = ax2.hexbin( algorithm_full['经度'], algorithm_full['纬度'], gridsize=30, cmap=cmap_algorithm, mincnt=1, alpha=0.8, edgecolors='white', linewidths=0.5 )

叠加线路起点标记

ax2.scatter( algorithm_metrics['起点经度'], algorithm_metrics['起点纬度'], color=colors_algorithm, s=100, alpha=0.9, edgecolors='white', linewidth=2, marker='o', label='线路起点(共55个)' )

添加颜色条

cbar2 = plt.colorbar(hexbin2, ax=ax2, shrink=0.8, aspect=30) cbar2.set_label('点位数量(每六边形)', fontsize=12, fontweight='bold')

ax2.set_xlabel('经度', fontsize=16, fontweight='bold') ax2.set_ylabel('纬度', fontsize=16, fontweight='bold') ax2.set_xlim(lng_min, lng_max) ax2.set_ylim(lat_min, lat_max) ax2.grid(True, linestyle='--', alpha=0.4) ax2.legend(fontsize=12, framealpha=0.9)

调整布局

plt.tight_layout(rect=[0.02, 0.03, 0.98, 0.95])

保存第二种对比图

output_path2 = '/mnt/两种排线_55条线路地理分布热力图对比.png' plt.savefig( output_path2, dpi=400, bbox_inches='tight', facecolor='white', edgecolor='none', format='png' ) plt.close()

print(f"✅ 第二种对比图已保存:{output_path2}")

5. 生成配套的统计汇总表

print("生成配套的线路统计汇总表...")

生成详细的统计汇总表

summary_stats = pd.DataFrame({ '统计指标': [ '线路总数(条)', '总点位数量(个)', '平均点位数量(个/线路)', '平均线路长度(km)', '最长线路长度(km)', '最短线路长度(km)', '平均绕路系数', '最大绕路系数', '优秀线路数量(绕路系数≤2)', '良好线路数量(2<绕路系数≤4)', '一般线路数量(4<绕路系数≤6)', '较差线路数量(绕路系数>6)' ], '人工排线': [ len(manual_metrics), len(manual_full), f"{manual_metrics['点位数量'].mean():.1f}", f"{manual_metrics['总长度_km'].mean():.1f}", f"{manual_metrics['总长度_km'].max():.1f}", f"{manual_metrics['总长度_km'].min():.1f}", f"{manual_metrics['绕路系数'].mean():.2f}", f"{manual_metrics['绕路系数'].max():.2f}", f"{len(manual_metrics[manual_metrics['绕路系数'] <= 2])} ({len(manual_metrics[manual_metrics['绕路系数'] <= 2])/len(manual_metrics)*100:.1f}%)", f"{len(manual_metrics[(manual_metrics['绕路系数'] > 2) & (manual_metrics['绕路系数'] <= 4)])} ({len(manual_metrics[(manual_metrics['绕路系数'] > 2) & (manual_metrics['绕路系数'] <= 4)])/len(manual_metrics)*100:.1f}%)", f"{len(manual_metrics[(manual_metrics['绕路系数'] > 4) & (manual_metrics['绕路系数'] <= 6)])} ({len(manual_metrics[(manual_metrics['绕路系数'] > 4) & (manual_metrics['绕路系数'] <= 6)])/len(manual_metrics)*100:.1f}%)", f"{len(manual_metrics[manual_metrics['绕路系数'] > 6])} ({len(manual_metrics[manual_metrics['绕路系数'] > 6])/len(manual_metrics)*100:.1f}%)" ], '算法排线': [ len(algorithm_metrics), len(algorithm_full), f"{algorithm_metrics['点位数量'].mean():.1f}", f"{algorithm_metrics['总长度_km'].mean():.1f}", f"{algorithm_metrics['总长度_km'].max():.1f}", f"{algorithm_metrics['总长度_km'].min():.1f}", f"{algorithm_metrics['绕路系数'].mean():.2f}", f"{algorithm_metrics['绕路系数'].max():.2f}", f"{len(algorithm_metrics[algorithm_metrics['绕路系数'] <= 2])} ({len(algorithm_metrics[algorithm_metrics['绕路系数'] <= 2])/len(algorithm_metrics)*100:.1f}%)", f"{len(algorithm_metrics[(algorithm_metrics['绕路系数'] > 2) & (algorithm_metrics['绕路系数'] <= 4)])} ({len(algorithm_metrics[(algorithm_metrics['绕路系数'] > 2) & (algorithm_metrics['绕路系数'] <= 4)])/len(algorithm_metrics)*100:.1f}%)", f"{len(algorithm_metrics[(algorithm_metrics['绕路系数'] > 4) & (algorithm_metrics['绕路系数'] <= 6)])} ({len(algorithm_metrics[(algorithm_metrics['绕路系数'] > 4) & (algorithm_metrics['绕路系数'] <= 6)])/len(algorithm_metrics)*100:.1f}%)", f"{len(algorithm_metrics[algorithm_metrics['绕路系数'] > 6])} ({len(algorithm_metrics[algorithm_metrics['绕路系数'] > 6])/len(algorithm_metrics)*100:.1f}%)" ], '对比结论': [ '相同(均55条)', f"{'人工' if len(manual_full) > len(algorithm_full) else '算法'}更多", f"{'人工' if manual_metrics['点位数量'].mean() > algorithm_metrics['点位数量'].mean() else '算法'}更多", f"{'人工' if manual_metrics['总长度_km'].mean() > algorithm_metrics['总长度_km'].mean() else '算法'}更长", f"{'人工' if manual_metrics['总长度_km'].max() > algorithm_metrics['总长度_km'].max() else '算法'}更长", f"{'人工' if manual_metrics['总长度_km'].min() < algorithm_metrics['总长度_km'].min() else '算法'}更短", f"{'人工' if manual_metrics['绕路系数'].mean() < algorithm_metrics['绕路系数'].mean() else '算法'}更优", f"{'人工' if manual_metrics['绕路系数'].max() < algorithm_metrics['绕路系数'].max() else '算法'}更优", f"{'人工' if len(manual_metrics[manual_metrics['绕路系数'] <= 2]) > len(algorithm_metrics[algorithm_metrics['绕路系数'] <= 2]) else '算法'}更优", f"{'人工' if len(manual_metrics[(manual_metrics['绕路系数'] > 2) & (manual_metrics['绕路系数'] <= 4)]) > len(algorithm_metrics[(algorithm_metrics['绕路系数'] > 2) & (algorithm_metrics['绕路系数'] <= 4)]) else '算法'}更优", f"{'人工' if len(manual_metrics[(manual_metrics['绕路系数'] > 4) & (manual_metrics['绕路系数'] <= 6)]) > len(algorithm_metrics[(algorithm_metrics['绕路系数'] > 4) & (algorithm_metrics['绕路系数'] <= 6)]) else '算法'}更多", f"{'人工' if len(manual_metrics[manual_metrics['绕路系数'] > 6]) < len(algorithm_metrics[algorithm_metrics['绕路系数'] > 6]) else '算法'}更优" ] })

保存统计汇总表

summary_path = '/mnt/两种排线_55条线路统计汇总对比表.csv' summary_stats.to_csv(summary_path, index=False, encoding='utf-8-sig')

print(f"✅ 统计汇总表已保存:{summary_path}")

最终总结

print(f"\n" + "="*100) print("两种排线55条线路对比图生成任务完成") print("="*100) print(f"📊 生成的两种对比图:") print(f"1. {output_path1}") print(f" - 类型:综合指标对比图(2行2列子图)") print(f" - 内容:绕路系数分布、总长度分布、点位数量分布、步长-绕路系数相关性") print(f" - 用途:量化对比两种排线的核心性能指标") print(f"\n2. {output_path2}") print(f" - 类型:地理分布热力图对比(1行2列子图)") print(f" - 内容:人工和算法排线的点位密度分布、线路起点位置") print(f" - 用途:直观展示两种排线的地理覆盖差异") print(f"\n📁 配套文件:") print(f" - {summary_path}:12项核心指标的详细统计对比表,含对比结论") print(f"\n🎯 核心发现:") print(f" - 绕路控制:{ '人工排线' if manual_metrics['绕路系数'].mean() < algorithm_metrics['绕路系数'].mean() else '算法排线' }更优(平均绕路系数:{manual_metrics['绕路系数'].mean():.2f} vs {algorithm_metrics['绕路系数'].mean():.2f})") print(f" - 线路长度:{ '人工排线' if manual_metrics['总长度_km'].mean() < algorithm_metrics['总长度_km'].mean() else '算法排线' }更短(平均长度:{manual_metrics['总长度_km'].mean():.1f}km vs {algorithm_metrics['总长度_km'].mean():.1f}km)") print(f" - 点位分布:{ '人工排线' if len(manual_full) > len(algorithm_full) else '算法排线' }点位更多(总点位:{len(manual_full)}个 vs {len(algorithm_full)}个)") print("="*100)

Introduction

用户可用于对比人工与算法排线效果,通过计算绕路系数、总长度等核心指标,生成综合指标对比图和地理分布热力图,并输出统计汇总表,直观展示两种排线方案差异。【此简介由AI生成】

Customize your domain