数据集 |
您所在的位置：网站首页 › poi数据集 › 数据集 |
|
POI是英文"Point of Interest"的缩写，中文翻译为"兴趣点"或"兴趣地点"。在地理信息系统（GIS）和位置服务领域中，POI通常指代一些在地图上显示的特定地点或地理位置，例如商店、餐厅、公园、景点等。 与之前分享的 数据集 | 2亿条中国大陆工商企业注册信息 ，可以结合起来使用。 一、数据集概况#370个地市， 截止2022年12月份的POI数据集。压缩文件夹体积800M，解压3.9G。
解压后， 在「全国POI数据(2022年12月)」文件夹内新建一个 「代码.ipynb」，运行如下代码查看文件夹内的文件列表 import glob # 查询 files = glob.glob('*/*.csv') filesRun [ '北京POI数据/北京市POI数据.csv', '浙江省POI数据/杭州市POI数据.csv', '吉林省POI数据/长春市POI数据.csv', '陕西省POI数据/西安市POI数据.csv', '江苏省POI数据/南京市POI数据.csv', '山东省POI数据/青岛市POI数据.csv', '湖南省POI数据/长沙市POI数据.csv', '辽宁省POI数据/大连市POI数据.csv', ... '河北省POI数据/衡水市POI数据.csv', ]地级市csv文件个数 len(files)Run 370 二、读取POI数据#读取北京、天津、青岛、上海、广州、杭州、长沙这几个城市poi数据(大家可以根据自己的兴趣更改城市) import pandas as pd bj_df = pd.read_csv('北京POI数据/北京市POI数据.csv', encoding='utf-8') qd_df = pd.read_csv('山东省POI数据/青岛市POI数据.csv', encoding='utf-8') tj_df = pd.read_csv('天津市POI数据/天津市POI数据.csv', encoding='utf-8') sh_df = pd.read_csv('上海POI数据/上海市POI数据.csv', encoding='utf-8') gz_df = pd.read_csv('广东省POI数据/广州市POI数据.csv', encoding='utf-8') hz_df = pd.read_csv('浙江省POI数据/杭州市POI数据.csv', encoding='utf-8') cs_df = pd.read_csv('湖南省POI数据/长沙市POI数据.csv', encoding='utf-8') hz_df.head(10)#该文件poi记录数 print('北京poi记录数: ', len(bj_df)) print('天津poi记录数: ', len(tj_df)) print('青岛poi记录数: ', len(qd_df)) print() print('上海poi记录数: ', len(sh_df)) print('广州poi记录数: ', len(gz_df)) print('杭州poi记录数: ', len(hz_df)) print('长沙poi记录数: ', len(cs_df)) Run 北京poi记录数: 679413 天津poi记录数: 409020 青岛poi记录数: 426314 上海poi记录数: 780347 广州poi记录数: 793056 杭州poi记录数: 534595 长沙poi记录数: 406489 三、简单分析#对比北京、天津、青岛、上海、广州、杭州、长沙这几个城市poi大类占比情况，探索性分析， 大家可以根据自己的兴趣更改城市 import pandas as pd import matplotlib.pyplot as plt import matplotlib import matplotlib_inline matplotlib_inline.backend_inline.set_matplotlib_formats('png', 'svg') import scienceplots import platform plt.style.use(['science', 'no-latex', 'cjk-sc-font']) system = platform.system() # 获取操作系统类型 if system == 'Windows': font = {'family': 'SimHei'} elif system == 'Darwin': font = {'family': 'Arial Unicode MS'} else: font = {'family': 'sans-serif'} matplotlib.rc('font', **font) # 设置全局字体 # 统计各城市的大类POI数量 bj_poi_count = bj_df['大类'].value_counts(normalize=True) tj_poi_count = tj_df['大类'].value_counts(normalize=True) qd_poi_count = qd_df['大类'].value_counts(normalize=True) sh_poi_count = sh_df['大类'].value_counts(normalize=True) hz_poi_count = hz_df['大类'].value_counts(normalize=True) gz_poi_count = gz_df['大类'].value_counts(normalize=True) cs_poi_count = cs_df['大类'].value_counts(normalize=True) # 创建一个包含所有城市的分组条形图 fig, ax = plt.subplots(figsize=(12, 6)) # 计算每个城市的条形图位置 bar_width = 0.07 bar_positions = range(len(bj_poi_count)) bj_bars = ax.bar(bar_positions, bj_poi_count, width=bar_width, label='北京') tj_bars = ax.bar([p + bar_width for p in bar_positions], tj_poi_count, width=bar_width, label='天津') qd_bars = ax.bar([p + 2*bar_width for p in bar_positions], dl_poi_count, width=bar_width, label='青岛') sh_bars = ax.bar([p + 3*bar_width for p in bar_positions], sh_poi_count, width=bar_width, label='上海') hz_bars = ax.bar([p + 4 * bar_width for p in bar_positions], hz_poi_count, width=bar_width, label='杭州') gz_bars = ax.bar([p + 5 * bar_width for p in bar_positions], gz_poi_count, width=bar_width, label='广州') cs_bars = ax.bar([p + 6 * bar_width for p in bar_positions], cs_poi_count, width=bar_width, label='长沙') ax.set_title('POI地理兴趣点城市比较') ax.set_xlabel('POI大类') ax.set_ylabel('POI类别占比') ax.set_xticks([p + bar_width for p in bar_positions]) ax.set_xticklabels(bj_poi_count.index) ax.legend() # 添加图例 plt.show()
7个城市中，从poi大类占比来看， 交通设施&科教文化&休闲娱乐&运动健身&金融机构&旅游景点， 北京位列top1 购物消费， 长沙位列top1 餐饮美食， 广州位列top1 生活服务&公司企业， 上海位列top1 酒店住宿， 杭州位列top1 汽车相关， 天津位列top1 数据获取#付费内容， 点击链接进入跳转页面 有疑问，加微信372335839， 备注「姓名-学校-专业」 广而告之# 长期征稿 长期招募小伙伴 付费视频课 | Python实证指标构建与文本分析 |
今日新闻 |
推荐新闻 |
| CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |