-
Notifications
You must be signed in to change notification settings - Fork 4
/
Copy pathfol_app.py
169 lines (130 loc) · 8.94 KB
/
fol_app.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
import streamlit as st
from streamlit_folium import folium_static
import matplotlib.pyplot as plt
from app_func import show_objects_on_map, plot_map_tpu, plot_top_by_col
import pandas as pd
from ast import literal_eval
import io
import numpy as np
import requests
import folium
from folium.plugins import FastMarkerCluster
from folium.plugins import BeautifyIcon as BI
from geopy.geocoders import Nominatim
import json
import branca
import matplotlib.pyplot as plt
import seaborn as sns
from ast import literal_eval
st.set_option('deprecation.showPyplotGlobalUse', False)
st.set_page_config(page_title='data-skyscrapers', layout="wide")
def main():
main_df, tpu_data = load_data()
page = st.sidebar.selectbox("Выберите страницу", ["Главная", "Карта ТПУ Москвы",
"Карта окрестности ТПУ",
"Графики"])
translit = st.sidebar.checkbox('Names transliteration')
if page == "Главная":
'''
# Главная страница
## Описание датасета
В датастете содержится информация о торговых объектах и ближайших к ним транспортно-пересадочных узлов в г. Москва с указанием эффективной зоны охвата объекта. Кроме того в датасете содержится следующая информация:
* Данные о стоимости коммерческой недвижимости в районе объекта
* Демографические и географические данные о районе объекта
* Данные о зоне охвата объекта
* Данные о пассажиропотоке ближайшей станции метро
Часть данных в датасете представлена в виде словарей, что связано с вложенностью отдельных признаков. К примеру, ряд ТПУ представляют собой комплекс из отдельных объектов наземного и подземного транспорта.
'''
info_expander = st.beta_expander('Информация о датасете')
with info_expander:
buffer = io.StringIO()
main_df.info(buf=buffer)
contents = buffer.getvalue().split('\n')
for lines in contents:
st.write("<pre>" + lines + "</pre>\n", unsafe_allow_html=True)
st.image("https://i.ibb.co/D4sJgYk/image-1.png", clamp = True)
st.header("Пример датасета")
'''
Здесь вы можете увидеть первые 100 записей.
'''
st.write(main_df.head(100), )
st.header("Список источников")
'''
В датасете были использованы следующие данные с сайта [Портал открытых данных](https://data.mos.ru) города Москва:
[Транспортно-пересадочные узлы](https://data.mos.ru/opendata/7704786030-transportno-peresadochnye-uzly?pageNumber=1&versionNumber=4&releaseNumber=27)
[Стационарные торговые объекты](https://data.mos.ru/opendata/7710881420-statsionarnye-torgovye-obekty?pageNumber=1&versionNumber=1&releaseNumber=22)
[Бытовые услуги на территории Москвы](https://data.mos.ru/opendata/7710881420-bytovye-uslugi-na-territorii-moskvy/data/table?versionNumber=2&releaseNumber=30)
#### Другие источники:
Расчет торговой зоны и зоны охвата магазина был произведен на основе статьи ["Расчет торговой зоны и зоны охвата магазина"](http://www.arhitrade.com/education.php?Id=43)
Информация о районах: [Wikipedia: Список районов и поселений Москвы](https://ru.wikipedia.org/wiki/%D0%A1%D0%BF%D0%B8%D1%81%D0%BE%D0%BA_%D1%80%D0%B0%D0%B9%D0%BE%D0%BD%D0%BE%D0%B2_%D0%B8_%D0%BF%D0%BE%D1%81%D0%B5%D0%BB%D0%B5%D0%BD%D0%B8%D0%B9_%D0%9C%D0%BE%D1%81%D0%BA%D0%B2%D1%8B)
Информация о ценах на коммерческую недвижимость: [Restate](https://msk.restate.ru/graph/ceny-arendy-kommercheskoy/)
Сведения о пассажиропотоке на станциях: [Рекламное агентство Метро Москвы](https://www.metro-msk.ru/stat/2019/)
[Геоданные](http://gis-lab.info/data/mos-adm/mo.geojson) о форме административных районов и округов Москвы
'''
elif page == "Карта ТПУ Москвы":
st.title("Карта Москвы")
st.write("Всего ТПУ на карте: ", tpu_data.shape[0])
st.write("Всего торговых точек: ", main_df.shape[0])
my_expander = st.beta_expander("Настройки", expanded=True)
with my_expander:
c1, c2, c3 = st.beta_columns((0.5, 0.1, 1))
obj_size = c1.number_input("Сколько объектов отобразить:",
min_value=1, max_value=len(main_df),
value = 1000,step=100)
obj_as_marker = c3.checkbox("Объекты как маркер")
display_districts = c3.checkbox("Отобразить районы", value=True)
display_tpu = c3.checkbox("Отобразить ТПУ", value=True)
'''
** Внимание! Отображение более 10 000 объектов займет много времени! **
'''
m = show_objects_on_map(main_df, tpu_data,
marker_size=2,
zoom=10,
obj_as_marker=obj_as_marker,
obj_size=obj_size,
display_districts=display_districts,
display_tpu=display_tpu,
translit=translit)
folium_static(m, width=1000, height=700)
elif page == "Карта окрестности ТПУ":
st.title("Карта ТПУ")
c1, _ = st.beta_columns((2, 1))
tpu_name = c1.selectbox('Выберите ТПУ:',main_df['tpu_name'].unique())
m = plot_map_tpu(tpu_name, tpu_data, main_df, translit=translit)
folium_static(m, width=1000, height=700)
elif page == "Графики":
st.title("Графики")
columns_list = ['is_network_object', 'is_tpu_in_coverage',
'object_address','object_area', 'object_district',
'object_operating_company',
'object_service_type', 'object_size',
'object_type', 'subway_line',
'subway_station', 'tpu_comissioning_year',
'tpu_name', 'tpu_near_station', 'tpu_status']
numeric_col = ['is_network_object', 'is_tpu_in_coverage',
'object_size', 'tpu_comissioning_year']
col = st.selectbox('Выберите колонку:', columns_list)
num_top = st.number_input('Отобразить максимум ', min_value=2,
max_value=20,
value = 5)
if col in numeric_col:
horizontally=False
else:
horizontally=True
p = plot_top_by_col(col, main_df, num_top, '', other=False, translit=translit,
max_string_len=15, horizontally=horizontally, labels =[],
palette = sns.color_palette("tab10"))
st.pyplot(p, clear_figure=p)
@st.cache(show_spinner=False)
def load_data():
url = 'https://drive.google.com/uc?export=download&id=179ShmAMQsWjTCGHWthf75jCD1lh7WPLC'
main_df = pd.read_csv(url, sep=';', encoding='cp1251',
index_col=0)
url = 'https://drive.google.com/uc?export=download&id=1cAbeGoe1LMfMCIUqQbkU5qfvh_fJO8O8'
tpu_data = pd.read_csv(url, sep=';', encoding='cp1251',
index_col=0)
tpu_data.tpu_longitude = tpu_data.tpu_longitude.apply(literal_eval)
tpu_data.tpu_latitude = tpu_data.tpu_latitude.apply(literal_eval)
return main_df, tpu_data
if __name__ == "__main__":
main()