读懂GSnet：pandas读取pkl格式的多维数组，可视化理解时空数据

本文已参与「新人创作礼」活动， 一起开启掘金创作之路。

前言：之前很少用过多维数组，不知道怎么读取。今天阅读论文《Learning Spatial-Temporal Correlation from Geographical and Semantic Aspects for Traffic Accident Risk Forecasting（AAAI 2021）》时，文章提供的原始数据是4维的，正好研究一下。

原始数据

代码和原始数据：github.com/Echohhhhhh/…

cd到nyc文件夹，可以看到数据的Readme文件。我做了部分修改和说明后，摘录如下： 可以发现，原始数据由one-hot的0/1数据、和数值类型的温度、风险数据组合而成

1. all_data.pkl

2013.1~2013.12，one time interval is 1h shape(T, D, W, H),D=48 T is the time line D is the feature vector, descripted as follows:

---

0:risk(numeric,sum) 124:time_period，(one-hot) 2531:day_of_week，(one-hot) 32:holiday，(one-hot)

---

33~39:POI (numeric)

---

40:temperature (numeric) 41:Clear,(one-hot) 42:Cloudy，(one-hot) 43:Rain，(one-hot) 44:Snow，(one-hot) 45:Mist，(one-hot)

---

46:inflow(numeric) 47:outflow(numeric)

---

W*H denotes the spatial grids.

基于原始数据，作者还抽取了以下五种预处理后的数据。

2. risk_mask.pkl

shape(W,H) top risk region mask z

3. risk_adj.pkl

risk similarity graph adjacency matrix shape (N,N)

4. road_adj.pkl

road similarity graph adjacency matrix shape(N,N)

5. poi_adj.pkl

poi similarity graph adjacency matrix shape(N,N)

6. grid_node_map.pkl

map graph data to grid data shape (W*H,N)

df = pd.read_pickle("./grid_node_map.pkl")
d2 = pd.DataFrame(df).astype(int)
d3 = np.array(d2)

shape = d3.shape
for i in range(shape[0]):
    for j in range(shape[1]):
        if d3[i][j] == 1:
            print(i,j)

print(shape)
复制代码

数据理解

维度

$T$:时间轴（8760） $D$: 特征数量（48），具体说明参见上文（ all_data.pkl）的解释 $W,H$: 网格的横纵坐标（20*20）

格式

pkl文件是python里面保存文件的一种格式，如果直接打开会显示一堆序列化的东西（二进制文件）。 常用于保存神经网络训练的模型或者各种需要存储的数据。一般而言，通过pandas可以读取为numpy数组。

如何读取四维数组？

四维数组不好直观在Excel等软件中展示。一个很显然的想法是进行数据降维，固定某1-3个维度，展示其它维度的数据分布。

读空间分布

求每个网格在所有时间内的Accident次数总和分布，用热力图展示

import pandas as pd
import numpy as np
import seaborn as sb
df = pd.read_pickle("./all_data.pkl")
# (T, F, W, H)

d_accident = df[:,0,:,:]
print(d_accident.shape) # T,W,H

# spatial distribution
d2 = sum(d_accident)
print(d2.shape)
d2 = pd.DataFrame(d2).astype(float)
print(d2.shape)

复制代码

**结果：**可以发现，在某一地区，事故比较集中。

读时间分布

求每个时段在所有空间内的Accident次数总和分布，用折线图展示

# temporal distribution
d_3 = np.sum(d_accident,axis = 1)
print(d_3.shape)
d_4 = np.sum(d_3,axis = 1)
print(d_4.shape)

d4 = pd.DataFrame(d_4).astype(float)
import matplotlib.pyplot as plt
x = np.linspace(0,len(d4),len(d4))
plt.plot(x, d4.values)
plt.show()
复制代码

结果： 可以发现事故在时间上具有一定的周期性，整体而言比较平稳。

读其它分布

可以考虑直接通过数组索引的方式，如df[:,0,:,:]读取（0是事故的index）

结语

Data understanding是做任何数据科学项目的第一步；通过合适的数据可视化方法，可以直观的展现数据的趋势。