前文回顧：使用交互式地圖和動畫可視化倫敦的自行車流動性（上）

密度圖

上面的代碼使用了一種動態的顏色方案，這取決于站點的容量。我們還可以根據每個站點的出發和到達次數，為這些圓形標記實現動態半徑方案。我們可以得到我們所稱的密度圖，顯示每個車站的凈出發/到達人數。

def DensityMap(stations, cnt_departure, cnt_arrival):

London = [51.506949, -0.122876]

  map = folium.Map(location = London,
                   zoom_start = 12,
                   tiles = "CartoDB dark_matter")

  stations['Total Departure'] = cnt_departure
  stations['Total Arrival'] = cnt_arrival

for index, row in stations.iterrows():
    net_departure = row['Total Departure'] - row['Total Arrival']

    _radius = np.abs(net_departure)
    if np.isnan(_radius):
      _radius = 0

    if net_departure > 0:
      _color= '#E80018' # target red
    else:
      _color= '#81D8D0' # tiffany blue

    lat, lon = row['lat'], row['lon']
    _popup = '('+str(row['capacity'])+'/'+str(int(_radius))+') '+row['station_name']
    folium.CircleMarker(location = [lat,lon],
                        radius = _radius,
                        popup = _popup,
                        color = _color,
                        fill_opacity = 0.5).add_to(map)

  return map

我在這里使用了一種不同的配色方案(target red和tiffany blue在美國都是注冊商標的顏色)來顯示某個車站的發車數量是否大于或小于進站數量。大圈標記表示較大的出發-到達差異。

讓我們看看早上和晚上高峰時間的密度地圖:

# Select peak hours

TimeSlice = [25,53] # morning and evening
keyword = ['map_morning', 'map_evening']

# Journeys depart between 0820 and 0859, and between 1740 and 1819
for ts, kw in zip(TimeSlice, keyword):
  df_1 = df[df["TimeSlice"] == ts]
  df_2 = df[df["TimeSlice"] == (ts+1)]
  df_target = df_1.append(df_2)

  cnt_departure = df_target.groupby("id_start").count().iloc[:,0]
  cnt_arrival = df_target.groupby("id_end").count().iloc[:,0]

  vars()[kw] = DensityMap(stations, cnt_departure, cnt_arrival)

密度圖可以在https://edenau.github.io/maps/Density-morning/和https://edenau.github.io/maps/Density-weight/上找到。

連接圖

前面提到的所有地圖都只關注站點，而不是行程，但是我們也可以通過所謂的連接地圖來可視化行程，通過簡單地在地圖上繪制完成的行程。沒有深入研究很多細節:

我們還可以通過folium.LayerControl（）添加多個連接層，以分隔經常使用和不經常使用的路徑層。

連接圖可以在https://edenau.github.io/maps/connection-morning-layers/上找到。

動畫

到目前為止，我們已經演示了如何通過圖表來可視化時間和分布信息，以及通過各種地圖來可視化空間信息。但是如果我們在連續的時間實例上生成多個映射呢？我們可以使用動畫可視化時空信息！

生成的地圖是.html文件中的web地圖。其目的是：

為每個時間實例生成一個地圖，在web瀏覽器上瀏覽，截圖并保存圖片，然后將所有圖片鏈接一起作為視頻或.gif文件。

我們將通過selenium實現web瀏覽和屏幕捕獲過程的自動化。。我們還需要一個網絡驅動程序，作為一個Chrome用戶，我選擇了Chrome driver。

from selenium import webdriver

def a_frame(i, frame_time, data):
    my_frame = get_image_map(frame_time, data)

    # Save the web map   
    delay = 5 # give it some loading time
    fn = 'frame_{:0>5}'.format(i)
    DIR = 'frames'
    f = DIR + '/' + fn + '.html'
    tmpurl='file://{path}/{mapfile}'.format(path=os.getcwd()+
'/frames',mapfile=fn)
    my_frame.save(f)

    # Open the web map and take screenshot
    browser = webdriver.Chrome()
    browser.get(tmpurl)
    time.sleep(delay)
    f = DIR + '/' + fn + '.png'
    browser.save_screenshot(f)
    browser.quit()
    f = 'frames/frame_{:0>5}.png'.format(i)
    image = Image.open(io.BytesIO(f))
    draw = ImageDraw.ImageDraw(image)
    font = ImageFont.truetype('Roboto-Light.ttf', 30)

   

    # Add text on picture
    draw.text((20, image.height - 50),
              'Time: {}'.format(frame_time),
              fill=(255, 255, 255),
              font=font)
   
    # Write the .png file
    dir_name = "frames"
    if not os.path.exists(dir_name):
        os.mkdir(dir_name)
    image.save(os.path.join(dir_name, 'frame_{:0>5}.png'.format(i)), 'PNG')

    return image

然后我們可以用ffmpeg制作視頻或gif。對于Mac用戶來說，安裝ffmpeg在自制軟件的幫助下幾乎不費什么力氣

自制程序會安裝你需要的東西，而蘋果不會。

安裝Homebrew（使用單個命令）后，只需鍵入

$ brew install ffmpeg

還有，喂！要創建.mp4文件，請嘗試

$ ffmpeg -r 10 -i frames/frame_%05d.png -c:v libx264 -vf fps=25 -crf 17 -pix_fmt yuv420p video.mp4

對于.gif文件，請嘗試

$ ffmpeg -y  -t 3 -i frames/frame_%05d.png \ -vf fps=10,scale=320:-1:flags=lanczos,palettegen palette.png

$ ffmpeg -r 10  -i frames/frame_%05d.png -i palette.png -filter_complex \ "fps=10,scale=720:-1:flags=lanczos[x];[x][1:v]paletteuse" animation.gif

查看全天的密度地圖動畫：

以及不同時期的行程動畫:

結論

倫敦的自行車共享系統使用柱形圖、密度圖、連接圖和動畫進行可視化。

Python的抽象使得它成為一個非常好的時空數據可視化工具（以犧牲計算時間為代價）。我利用了folium、selenium、chromedriver、brew、ffmpeg，最重要的是，利用了Vincent代碼的部分構建塊來實現這一點。

原文鏈接：https://towardsdatascience.com/visualizing-bike-mobility-in-london-using-interactive-maps-for-absolute-beginners-3b9f55ccb59