import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as snsimport pandas as pd
import glob
import os
# Pfad zu deinem Ordner mit den CSVs
pfad = "../data/tageswerte_pro_Jahr/*.csv" # z.B. "data/*.csv" oder "C:/Users/du/fahrrad/*.csv"
# Liste aller Dateinamen
dateien = glob.glob(pfad)
dfs = []
for datei in dateien:
df_temp = pd.read_csv(datei)
jahr = os.path.basename(datei).split("_")[2]
df_temp["jahr_datei"] = jahr
dfs.append(df_temp)
# Alle Teil-DataFrames untereinander hängen
df = pd.concat(dfs, ignore_index=True)
print(df.shape) operator_name domain_name domain_id \
0 Eco Counter GmbH Stadt Tübingen 667
1 Eco Counter GmbH Stadt Tübingen 667
2 Eco Counter GmbH Stadt Tübingen 667
3 Eco Counter GmbH Stadt Tübingen 667
4 Eco Counter GmbH Stadt Tübingen 667
counter_site counter_site_id \
0 Fuß- & Radtunnel Südportal - Derendinger Allee 100003358
1 Fuß- & Radtunnel Südportal - Derendinger Allee 100003358
2 Fuß- & Radtunnel Südportal - Derendinger Allee 100003358
3 Fuß- & Radtunnel Südportal - Derendinger Allee 100003358
4 Fuß- & Radtunnel Südportal - Derendinger Allee 100003358
counter_serial longitude latitude timezone \
0 YAH24052174 9.04806 48.518 (UTC+01:00) Europe/Paris DST
1 YAH24052174 9.04806 48.518 (UTC+01:00) Europe/Paris DST
2 YAH24052174 9.04806 48.518 (UTC+01:00) Europe/Paris DST
3 YAH24052174 9.04806 48.518 (UTC+01:00) Europe/Paris DST
4 YAH24052174 9.04806 48.518 (UTC+01:00) Europe/Paris DST
iso_timestamp channels_in channels_out channels_unknown \
0 2013-06-21T00:00:00+02:00 2844 2647 na
1 2013-06-22T00:00:00+02:00 2412 2233 na
2 2013-06-23T00:00:00+02:00 1884 1808 na
3 2013-06-24T00:00:00+02:00 2072 1878 na
4 2013-06-25T00:00:00+02:00 2426 2419 na
channels_all site_temperature site_rain_accumulation \
0 5491 17.5 1.5
1 4645 16.5 0.2
2 3692 14.5 0.0
3 3950 12.5 5.4
4 4845 11.5 6.0
site_snow_accumulation jahr_datei
0 0.0 2013.csv
1 0.0 2013.csv
2 0.0 2013.csv
3 0.0 2013.csv
4 0.0 2013.csv
(247598, 18)C:\Users\nikol\AppData\Local\Temp\ipykernel_6688\409510964.py:12: DtypeWarning: Columns (10,11,14,15,16) have mixed types. Specify dtype option on import or set low_memory=False.
df_temp = pd.read_csv(datei) # evtl. sep anpassen: "," oder ";"
C:\Users\nikol\AppData\Local\Temp\ipykernel_6688\409510964.py:12: DtypeWarning: Columns (10,11,14,15,16) have mixed types. Specify dtype option on import or set low_memory=False.
df_temp = pd.read_csv(datei) # evtl. sep anpassen: "," oder ";"yearly_avg_ma = []
years=[]
for year in range(14,25):
dfyear = pd.read_csv(f'../data/tageswerte_pro_Jahr/fahrradzaehler_tageswerten_20{year}.csv', delimiter=',')
dfyear_ma = dfyear[dfyear["domain_name"] == 'Stadt Mannheim']
yearly_avg_ma.append(np.mean(dfyear_ma["channels_all"]))
years.append(f"20{year}")
plot_data = pd.DataFrame({
'Year': years,
'Average': yearly_avg_ma
})C:\Users\nikol\AppData\Local\Temp\ipykernel_6688\1595929334.py:4: DtypeWarning: Columns (10,11,14,15,16) have mixed types. Specify dtype option on import or set low_memory=False.
dfyear = pd.read_csv(f'../data/tageswerte_pro_Jahr/fahrradzaehler_tageswerten_20{year}.csv', delimiter=',')
C:\Users\nikol\AppData\Local\Temp\ipykernel_6688\1595929334.py:4: DtypeWarning: Columns (10,11,14,15,16) have mixed types. Specify dtype option on import or set low_memory=False.
dfyear = pd.read_csv(f'../data/tageswerte_pro_Jahr/fahrradzaehler_tageswerten_20{year}.csv', delimiter=',')# WICHTIG Hier kommt der Absturz des Mittelwerts dadurch, dass mehr Zählstationen hinzugefügt wurden, die nicht an einem Hotspot standen, also Mittelwert sinkt.
sns.set(style="whitegrid")
# Create a line plot or bar plot
plt.figure(figsize=(10, 6))
sns.lineplot(x='Year', y='Average', data=plot_data, marker='o')
# Optional: Customize the plot further
plt.title("Yearly Average of Tracked Bikes in Mannheim", fontsize=16)
plt.xlabel("Year", fontsize=12)
plt.ylabel("Average Number of bikes", fontsize=12)
# Show the plot
plt.tight_layout()
plt.show()
# getrackte Räder nach channel site, also Standort der Zählstation im Jahr 2014
df15 = pd.read_csv(f'../data/tageswerte_pro_Jahr/fahrradzaehler_tageswerten_2019.csv', delimiter=',')
df15_ma = df15[df15["domain_name"] == 'Stadt Mannheim']
print(df15_ma) operator_name domain_name domain_id counter_site \
3285 Eco Counter GmbH Stadt Mannheim 4197 Renzstraße
3286 Eco Counter GmbH Stadt Mannheim 4197 Renzstraße
3287 Eco Counter GmbH Stadt Mannheim 4197 Renzstraße
3288 Eco Counter GmbH Stadt Mannheim 4197 Renzstraße
3289 Eco Counter GmbH Stadt Mannheim 4197 Renzstraße
... ... ... ... ...
10945 Eco Counter GmbH Stadt Mannheim 4197 Kurpfalzbrücke
10946 Eco Counter GmbH Stadt Mannheim 4197 Kurpfalzbrücke
10947 Eco Counter GmbH Stadt Mannheim 4197 Kurpfalzbrücke
10948 Eco Counter GmbH Stadt Mannheim 4197 Kurpfalzbrücke
10949 Eco Counter GmbH Stadt Mannheim 4197 Kurpfalzbrücke
counter_site_id counter_serial longitude latitude \
3285 100013246 YTH21025244 8.481114 49.490270
3286 100013246 YTH21025244 8.481114 49.490270
3287 100013246 YTH21025244 8.481114 49.490270
3288 100013246 YTH21025244 8.481114 49.490270
3289 100013246 YTH21025244 8.481114 49.490270
... ... ... ... ...
10945 100043761 YTH18116954 8.472163 49.494099
10946 100043761 YTH18116954 8.472163 49.494099
10947 100043761 YTH18116954 8.472163 49.494099
10948 100043761 YTH18116954 8.472163 49.494099
10949 100043761 YTH18116954 8.472163 49.494099
timezone iso_timestamp channels_in \
3285 (UTC+01:00) Europe/Paris DST 2019-01-01T00:00:00+01:00 318
3286 (UTC+01:00) Europe/Paris DST 2019-01-02T00:00:00+01:00 1050
3287 (UTC+01:00) Europe/Paris DST 2019-01-03T00:00:00+01:00 931
3288 (UTC+01:00) Europe/Paris DST 2019-01-04T00:00:00+01:00 1036
3289 (UTC+01:00) Europe/Paris DST 2019-01-05T00:00:00+01:00 509
... ... ... ...
10945 (UTC+01:00) Europe/Paris DST 2019-12-27T00:00:00+01:00 1180
10946 (UTC+01:00) Europe/Paris DST 2019-12-28T00:00:00+01:00 1232
10947 (UTC+01:00) Europe/Paris DST 2019-12-29T00:00:00+01:00 715
10948 (UTC+01:00) Europe/Paris DST 2019-12-30T00:00:00+01:00 1362
10949 (UTC+01:00) Europe/Paris DST 2019-12-31T00:00:00+01:00 925
channels_out channels_unknown channels_all site_temperature \
3285 348 na 666 4.5
3286 1002 na 2052 3.5
3287 866 na 1797 2.5
3288 954 na 1990 2.5
3289 506 na 1015 5.0
... ... ... ... ...
10945 1282 na 2462 5.5
10946 1325 na 2557 3.5
10947 786 na 1501 2.0
10948 1534 na 2896 1.5
10949 1029 na 1954 2.5
site_rain_accumulation site_snow_accumulation
3285 0.8 0.0
3286 0.8 0.0
3287 0.1 0.1
3288 0.3 0.0
3289 11.1 0.0
... ... ...
10945 1.4 0.0
10946 0.0 0.0
10947 0.0 0.0
10948 0.0 0.0
10949 0.0 0.0
[2555 rows x 17 columns]