R语言大数据分析纽约市的311万条投诉统计可视化与时间序列分析

By 可视化和设计, 大数据部落, 数理统计, 计算机科学与技术, , , ,

​​​

本文并不表示R在数据分析方面比Python更好或更快速，我本人每天都使用两种语言。这篇文章只是提供了比较这两种语言的机会。

WeChat Tencent QQ email print

由Kaizong Ye，Weilong Zhang撰写

CSV文件包含纽约市的311条投诉。它是纽约市开放数据门户网站中最受欢迎的数据集。

“纽约市开放数据门户网站” 是一个特定的平台，用于提供各种数据资源。

运用大数据分析的方法对纽约市的 311 万条投诉进行研究。

具体可能包括对投诉内容进行分类、统计不同类型投诉的数量、分析投诉的趋势随时间的变化、挖掘投诉集中的区域等，

以更好地了解纽约市在各个方面存在的问题以及市民的关切点，为城市管理和决策提供依据。

作者

Kaizong Ye

✉
     联系我们

可下载资源

     完整程序、数据和文档（word）

本文分析的数据、代码、报告分享至会员群

     加入会员群


本文中的  数据  每天都会更新，我的文件版本更大，为4.63 GB。

数据工作流程

install.packages("devtools")
library("devtools")
install_github("ropensci/plotly")
library(plotly)

需要创建一个帐户以连接到plotly API。或者，可以只使用默认的ggplot2图形。

set_credentials_file("DemoAccount", "lr1c37zw81") ## Replace contents with your API Key

使用dplyr在R中进行分析

想了解更多关于模型定制、辅导的信息？

✉
     联系我们

介绍

假设已安装sqlite3（因此可通过终端访问）。

$ sqlite3 data.db # Create your database
$.databases       # Show databases to make sure it works
$.mode csv        
$.import <filename> <tablename>
# Where filename is the name of the csv & tablename is the name of the new database table
$.quit

课程

R语言数据分析挖掘必知必会

从数据获取和清理开始，有目的的进行探索性分析与可视化。让数据从生涩的资料，摇身成为有温度的故事。

立即参加 ➜

将数据加载到内存中。

library(readr)
# data.table, selecting a subset of columns
time_data.table <- system.time(fread('/users/ryankelly/NYC_data.csv', 
                   select = c('Agency', 'Created Date','Closed Date', 'Complaint Type', 'Descriptor', 'City'), 
                   showProgress = T))

kable(data.frame(rbind(time_data.table, time_data.table_full, time_readr)))

user.selfsys.selfelapseduser.childsys.child
time_data.table63.5881.95265.63300
time_data.table_full205.5713.124208.88000
time_readr277.7205.018283.02900

我将使用data.table读取数据。该 fread 函数大大提高了读取速度。

关于dplyr

默认情况下，dplyr查询只会从数据库中提取前10行。

 

library(dplyr)      ## Will be used for pandas replacement

# Connect to the database
db <- src_sqlite('/users/ryankelly/data.db')
db

数据处理的两个最佳选择（除了R之外）是：

  • 数据表
  • dplyr

预览数据

# Wrapped in a function for display purposes
head_ <- function(x, n = 5) kable(head(x, n))

head_(data)
AgencyCreatedDateClosedDateComplaintTypeDescriptorCity
NYPD04/11/2015 02:13:04 AM
Noise – Street/SidewalkLoud Music/PartyBROOKLYN
DFTA04/11/2015 02:12:05 AM
Senior Center ComplaintN/AELMHURST
NYPD04/11/2015 02:11:46 AM
Noise – CommercialLoud Music/PartyJAMAICA
NYPD04/11/2015 02:11:02 AM
Noise – Street/SidewalkLoud TalkingBROOKLYN
NYPD04/11/2015 02:10:45 AM
Noise – Street/SidewalkLoud Music/PartyNEW YORK

选择几列

最受欢迎的见解

1.R语言基于ARMA-GARCH-VaR模型拟合和预测实证研究

2.R语言时变参数VAR随机模型

3.R语言估计时变VAR模型时间序列的实证研究

4.R语言基于ARMA-GARCH过程的VAR拟合和预测

5.GARCH（1,1），MA以及历史模拟法的VaR比较

6.R语言用向量自回归（VAR）进行经济数据脉冲响应

7.R语言实现向量自动回归VAR模型

8.R语言随机搜索变量选择SSVS估计贝叶斯向量自回归（BVAR）模型

9.R语言VAR模型的不同类型的脉冲响应分析


ComplaintTypeDescriptorAgency
Noise – Street/SidewalkLoud Music/PartyNYPD
Senior Center ComplaintN/ADFTA
Noise – CommercialLoud Music/PartyNYPD
Noise – Street/SidewalkLoud TalkingNYPD
Noise – Street/SidewalkLoud Music/PartyNYPD
ComplaintTypeDescriptorAgency
Noise – Street/SidewalkLoud Music/PartyNYPD
Senior Center ComplaintN/ADFTA
Noise – CommercialLoud Music/PartyNYPD
Noise – Street/SidewalkLoud TalkingNYPD
Noise – Street/SidewalkLoud Music/PartyNYPD
Noise – Street/SidewalkLoud TalkingNYPD
Noise – CommercialLoud Music/PartyNYPD
HPD Literature RequestThe ABCs of Housing – SpanishHPD
Noise – Street/SidewalkLoud TalkingNYPD
Street ConditionPlate Condition – NoisyDOT

使用WHERE过滤行

R语言泊松Poisson回归模型分析案例

阅读文章 ➜


ComplaintTypeDescriptorAgency
Noise – Street/SidewalkLoud Music/PartyNYPD
Noise – CommercialLoud Music/PartyNYPD
Noise – Street/SidewalkLoud TalkingNYPD
Noise – Street/SidewalkLoud Music/PartyNYPD
Noise – Street/SidewalkLoud TalkingNYPD

使用WHERE和IN过滤列中的多个值

ComplaintTypeDescriptorAgency
Noise – Street/SidewalkLoud Music/PartyNYPD
Noise – CommercialLoud Music/PartyNYPD
Noise – Street/SidewalkLoud TalkingNYPD
Noise – Street/SidewalkLoud Music/PartyNYPD
Noise – Street/SidewalkLoud TalkingNYPD

在DISTINCT列中查找唯一值

随时关注您喜欢的主题

##       City
## 1 BROOKLYN
## 2 ELMHURST
## 3  JAMAICA
## 4 NEW YORK
## 5         
## 6  BAYSIDE

使用COUNT（*）和GROUP BY查询值计数

# dt[, .(No.Complaints = .N), Agency]
#setkey(dt, No.Complaints) # setkey index's the data

q <- data %>% select(Agency) %>% group_by(Agency) %>% summarise(No.Complaints = n())
head_(q)

AgencyNo.Complaints
3-1-122499
ACS3
AJC7
ART3
CAU8

使用ORDER和-排序结果

交互版本：

静态版本：

 ​

 ​

数据库中有多少个城市？

# dt[, unique(City)]

q <- data %>% select(City) %>% distinct() %>% summarise(Number.of.Cities = n())
head(q)
##   Number.of.Cities
## 1             1818

让我们来绘制10个最受关注的城市

CityNo.Complaints
BROOKLYN2671085
NEW YORK1692514
BRONX1624292

766378
STATEN ISLAND437395
JAMAICA147133
FLUSHING117669
ASTORIA90570
Jamaica67083
RIDGEWOOD66411
  • 用  UPPER 转换CITY格式。
CITYNo.Complaints
BROOKLYN2671085
NEW YORK1692514
BRONX1624292

766378
STATEN ISLAND437395
JAMAICA147133
FLUSHING117669
ASTORIA90570
JAMAICA67083
RIDGEWOOD66411

投诉类型（按城市）


# Plot result
plt <- ggplot(q_f, aes(ComplaintType, No.Complaints, fill = CITY)) + 
            geom_bar(stat = 'identity') + 
            theme_minimal() + theme(axis.text.x = element_text(angle = 45, hjust = 1))

plt

​

第2部分时间序列运算

提供的数据不适合SQLite的标准日期格式。

在SQL数据库中创建一个新列，然后使用格式化的date语句重新插入数据 创建一个新表并将格式化日期插入原始列名。

使用时间戳字符串过滤SQLite行：YYYY-MM-DD hh：mm：ss

# dt[CreatedDate < '2014-11-26 23:47:00' & CreatedDate > '2014-09-16 23:45:00', 
#      .(ComplaintType, CreatedDate, City)]

q <- data %>% filter(CreatedDate < "2014-11-26 23:47:00",   CreatedDate > "2014-09-16 23:45:00") %>%
    select(ComplaintType, CreatedDate, City)

head_(q)
ComplaintTypeCreatedDateCity
Noise – Street/Sidewalk2014-11-12 11:59:56BRONX
Taxi Complaint2014-11-12 11:59:40BROOKLYN
Noise – Commercial2014-11-12 11:58:53BROOKLYN
Noise – Commercial2014-11-12 11:58:26NEW YORK
Noise – Street/Sidewalk2014-11-12 11:58:14NEW YORK

使用strftime从时间戳中拉出小时单位

# dt[, hour := strftime('%H', CreatedDate), .(ComplaintType, CreatedDate, City)]

q <- data %>% mutate(hour = strftime('%H', CreatedDate)) %>% 
            select(ComplaintType, CreatedDate, City, hour)

head_(q)
ComplaintTypeCreatedDateCityhour
Noise – Street/Sidewalk2015-11-04 02:13:04BROOKLYN02
Senior Center Complaint2015-11-04 02:12:05ELMHURST02
Noise – Commercial2015-11-04 02:11:46JAMAICA02
Noise – Street/Sidewalk2015-11-04 02:11:02BROOKLYN02
Noise – Street/Sidewalk2015-11-04 02:10:45NEW YORK02

 ​​

​​​

汇总时间序列

首先，创建一个时间戳记四舍五入到前15分钟间隔的新列

# Using lubridate::new_period()
# dt[, interval := CreatedDate - new_period(900, 'seconds')][, .(CreatedDate, interval)]

q <- data %>% 
     mutate(interval = sql("datetime((strftime('%s', CreatedDate) / 900) * 900, 'unixepoch')")) %>%                     
     select(CreatedDate, interval)

head_(q, 10)
CreatedDateinterval
2015-11-04 02:13:042015-11-04 02:00:00
2015-11-04 02:12:052015-11-04 02:00:00
2015-11-04 02:11:462015-11-04 02:00:00
2015-11-04 02:11:022015-11-04 02:00:00
2015-11-04 02:10:452015-11-04 02:00:00
2015-11-04 02:09:072015-11-04 02:00:00
2015-11-04 02:05:472015-11-04 02:00:00
2015-11-04 02:03:432015-11-04 02:00:00
2015-11-04 02:03:292015-11-04 02:00:00
2015-11-04 02:02:172015-11-04 02:00:00

绘制2003年的结果

​​​

可下载资源

关于作者

Kaizong Ye是拓端研究室（TRL）的研究员。在此对他对本文所作的贡献表示诚挚感谢，他在上海财经大学完成了统计学专业的硕士学位，专注人工智能领域。擅长Python.Matlab仿真、视觉处理、神经网络、数据分析。

本文借鉴了作者最近为《R语言数据分析挖掘必知必会 》课堂做的准备。

​非常感谢您阅读本文，如需帮助请联系我们！

每日分享最新报告和数据资料至会员群

     加入会员群

关于会员群

  • 会员群主要以数据研究、报告分享、数据工具讨论为主；
  • 加入后免费阅读、下载相关数据内容，并同步海内外优质数据文档；
  • 老用户可九折续费。
  • 提供报告PDF代找服务

​非常感谢您阅读本文，如需帮助请联系我们！

 
QQ在线咨询
售前咨询热线
15121130882
售后咨询热线
0571-63341498
微信扫一扫
关注拓端助手

关注有关新文章的微信公众号

永远不要错过任何见解。当新文章发表时，我们会通过微信公众号向您推送。

技术干货

最新洞察

This will close in 0 seconds