import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from reportlab.lib.pagesizes import letter
from reportlab.pdfgen import canvas

    1. 数据模拟生成 (1000条数据)*
      roads = ['A路', 'B路', 'C路', 'D路', 'E路']
      times = ['08:00-10:00', '17:00-19:00']
      dates = pd.date_range(start='2024-01-01', periods=30, freq='D') # 模拟30天的数据

  • 随机生成数据*
    data = []
    for date in dates:
    for time in times:

      for road in roads:
      num_vehicles = np.random.randint(100, 500)  # 车辆数目
      signal_cycle = np.random.randint(60, 120)  # 信号灯周期
      avg_speed = np.random.randint(30, 60)  # 平均车速
      accidents = np.random.randint(0, 3)  # 交通事故数量
      data.append([date, road, time, num_vehicles, signal_cycle, avg_speed, accidents])

    模拟了一个包含多个道路、多个时段、多个日期的交通数据集。
    roads、times 和 dates 定义了数据的维度，而每条记录表示在某个时间段、某个道路上的交通情况。
    num_vehicles、signal_cycle、avg_speed 和 accidents 分别模拟了该时段该路段的车辆数量、信号灯周期、平均车速和交通事故数。

  • 将数据转换为DataFrame*
    df = pd.DataFrame(data, columns=['日期', '道路', '时间段', '车辆数目', '信号灯周期', '平均车速', '交通事故数'])
    1. 数据清洗*
      df = df[df['车辆数目'] > 0]
      df = df[df['平均车速'] > 0]
      df = df[df['信号灯周期'] > 0]
      清洗数据的主要目的是移除无效记录，如 车辆数目、平均车速 或 信号灯周期 为零的情况，确保数据的有效性和合理性。
    1. 数据分析*
      df['交通事故率'] = df['交通事故数'] / df['车辆数目'] # 计算交通事故率

road_summary = df.groupby(['日期', '道路', '时间段']).agg({

'车辆数目': 'sum',
'平均车速': 'mean',
'交通事故数': 'sum',
'交通事故率': 'mean'

}).reset_index()
交通事故率：这里计算了每条记录的交通事故率，即 交通事故数 / 车辆数目，这一指标能有效反映事故的频发程度。
聚合数据：按日期、道路和时间段对数据进行分组，并对每个组别进行汇总：
sum：对 车辆数目 和 交通事故数 进行求和。
mean：对 平均车速 和 交通事故率 计算均值。
最终得到的 road_summary DataFrame 包含了按道路、时间段和日期汇总的车流量、车速、事故数等信息。

    1. 数据可视化*
  • 4.1 设置字体（避免中文显示问题）*
    plt.rcParams['font.sans-serif'] = ['SimHei'] # 设置支持中文的字体
    plt.rcParams['axes.unicode_minus'] = False # 解决负号显示问题
    通过设置 plt.rcParams，确保了生成的图表能够正确显示中文字符，同时避免了负号显示问题。
  • 4.2 城市主要道路的车流量热力图*
    plt.figure(figsize=(10, 6))
    heatmap_data = road_summary.pivot_table(index='道路', columns='时间段', values='车辆数目', aggfunc='sum')
    sns.heatmap(heatmap_data, annot=True, cmap='YlGnBu', fmt='d')
    plt.title('城市主要道路车流量热力图')
    plt.xlabel('时间段')
    plt.ylabel('道路')
    plt.tight_layout()
    plt.savefig('traffic_heatmap.png') # 保存为PNG文件
    plt.close()
    通过热力图 (heatmap) 展示不同道路和时间段的车流量。
    使用 pivot_table 来转化数据，index 是道路，columns 是时间段，values 是车辆数目。
    annot=True 表示在每个格子中显示具体数值，cmap='YlGnBu' 选择了颜色映射。
  • 4.3 交通高峰时段的车流量趋势图*
    plt.figure(figsize=(10, 6))
    high_traffic = road_summary.groupby(['时间段'])['车辆数目'].sum()
    high_traffic.plot(kind='line', marker='o', color='b')
    plt.title('交通高峰时段车流量趋势图')
    plt.xlabel('时间段')
    plt.ylabel('总车流量')
    plt.grid(True)
    plt.tight_layout()
    plt.savefig('traffic_peak_times.png') # 保存为PNG文件
    plt.close()
    绘制了交通高峰时段的车流量趋势图，以时间段为 X 轴，总车流量为 Y 轴。
    通过 groupby 汇总每个时间段的车流量，并绘制折线图。
  • 4.4 各道路的事故分布图*
    plt.figure(figsize=(10, 6))
    sns.barplot(data=road_summary, x='道路', y='交通事故数', hue='时间段')
    plt.title('各道路事故分布图')
    plt.xlabel('道路')
    plt.ylabel('交通事故数')
    plt.tight_layout()
    plt.savefig('traffic_accident_distribution.png') # 保存为PNG文件
    plt.close()
    使用 barplot 绘制每条道路在不同时间段的事故数分布。
    通过 hue='时间段' 参数，按时间段分不同颜色。

4.5 信号灯周期与车流量的关系曲线图
plt.figure(figsize=(10, 6))
sns.scatterplot(data=df, x='信号灯周期', y='车辆数目', hue='道路', style='时间段')
plt.title('信号灯周期与车流量之间的关系')
plt.xlabel('信号灯周期 (秒)')
plt.ylabel('车辆数目')
plt.legend(title='道路')
plt.tight_layout()
plt.savefig('signal_cycle_traffic_flow.png') # 保存为PNG文件
plt.close()
绘制了信号灯周期与车辆数目之间的散点图。
每个点代表一个记录，hue='道路' 按道路分色，style='时间段' 按时间段区分点的样式。

    1. 生成CSV文件*
      df.to_csv('traffic_data.csv', index=False, encoding='utf-8')
      将生成的数据保存为 CSV 文件，方便后续分析或存档。

    1. 生成PDF报告*
      def generate_pdf_report():
      c = canvas.Canvas("analysis_report.pdf", pagesize=letter)
      width, height = letter

      • 设置标题*
        c.setFont("Helvetica-Bold", 16)
        c.drawString(30, height - 40, "交通数据分析报告")
      • 添加数据分析过程*
        c.setFont("Helvetica", 12)
        c.drawString(30, height - 80, "1. 数据生成与清洗：")
        c.drawString(30, height - 100, " - 生成了包含交通流量、信号灯周期、车速和事故数等数据。")
        c.drawString(30, height - 120, " - 对异常值进行了处理，确保数据质量。")

      c.drawString(30, height - 140, "2. 数据分析：")
      c.drawString(30, height - 160, " - 按道路和时间段汇总数据，计算了车流量、车速和交通事故率。")
      c.drawString(30, height - 180, " - 发现高峰时段和高事故率区域。")

      c.drawString(30, height - 200, "3. 优化建议：")
      c.drawString(30, height - 220, " - 在高流量时段适当延长信号灯周期。")
      c.drawString(30, height - 240, " - 在事故高发区域加强交通管理。")

      • 添加图片（可视化图表）*
        c.drawImage("traffic_heatmap.png", 30, height - 450, width=500, height=300)
        c.drawImage("traffic_peak_times.png", 30, height - 780, width=500, height=300)
        c.drawImage("traffic_accident_distribution.png", 30, height - 1110, width=500, height=300)
        c.drawImage("signal_cycle_traffic_flow.png", 30, height - 1440, width=500, height=300)
      • 关闭并保存PDF*
        c.save()

      使用 reportlab 库创建了一个 PDF 报告。
      报告包含标题、分析过程、优化建议和图表。
      图表通过 drawImage 方法嵌入到 PDF 中。
      最终报告被保存为 analysis_report.pdf

generate_pdf_report()

# 7. 提供优化建议
high_accident_areas = road_summary[road_summary['交通事故率'] > 0.01]
peak_traffic_times = road_summary[road_summary['车辆数目'] > 400]

print("高风险事故区域（事故率 > 1%）:")
print(high_accident_areas[['日期', '道路', '时间段', '交通事故率']])

print("\n高峰时段交通流量:")
print(peak_traffic_times[['日期', '道路', '时间段', '车辆数目']])
根据分析结果，提供了两种优化建议：
高风险事故区域（事故率大于 1%），需要加强交通管理。
高峰时段交通流量较大，可能需要调整信号灯周期等交通控制措施。
# 假设建议：在高流量时段适当延长信号灯周期，并且在事故高发区域加强交通管理。

signal_cycle_traffic_flow.png
traffic_accident_distribution.png
traffic_heatmap.png
traffic_peak_times.png

样例.pdf