来源：法纳斯特
作者：小F
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 json
import requests
from bs4 import BeautifulSoup
headers = {'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, ImageColorGenerator
from pyecharts import Line, Bar
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
import 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 result
def 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。
/ 03 / 总结
源码及相关文件已上传GitHub，点击阅读原文即可获取。
这里摘一段新周刊的话。
可以说，一个小小的地铁名就是一座城市风貌的一部分。
它反映着不同地方的水土，也承载着各个城市的文化和历史。
确实如此，靠山的城市地铁名多“山”，靠水的城市地铁名“含水量”则是杠杠的。
推荐阅读
《利用Python进行数据分析》
作者： （美）韦斯·麦金尼（Wes McKinney）
阅读本书可以获得关于在Python下操作、处理、清洗、规整数据集的完整说明。本书第2版针对Python 3.6进行了更新，并增加了实际案例向你展示如何高效地解决一系列数据分析问题。你将在阅读过程中学习到最新版本的pandas、NumPy、IPython和Jupyter。
全国喝酒图鉴
什么是横断山？
褚时健：活着是为了什么？
大江大河40年：改变命运的七次机遇
中国422位皇帝被拉到一个微信群里，他们在聊些什么呢？