Assignment 6: Urban Street Networks and Interactive Web Maps¶

Jack Rummler | MUSA550 | Nov. 23, 2022

Part 1: Visualizing crash data in Philadelphia¶

1.1 Load the geometry for the region being analyzed¶

In [140]:

import osmnx as ox
import geopandas as gpd
import pandas as pd
import numpy as np

In [141]:

# Using Open Data Philly, I extracted the different districts of Philadelphia, and will use Central as a rough boundary for Center City.

districts = "http://data.phl.opendata.arcgis.com/datasets/0960ea0f38f44146bb562f2b212075aa_0.geojson"
phl = gpd.read_file(districts)
phl.head()

Out[141]:

	OBJECTID_1	OBJECTID	DIST_NAME	ABBREV	Shape__Area	Shape__Length	PlanningDist	DaytimePop	geometry
0	1	14	River Wards	RW	2.107270e+08	66931.595020	None	None	POLYGON ((-75.09798 40.00496, -75.09687 40.005...
1	2	3	North Delaware	NDEL	2.700915e+08	89213.074378	None	None	POLYGON ((-74.98159 40.05363, -74.98139 40.053...
2	3	0	Lower Far Northeast	LFNE	3.068529e+08	92703.285159	None	None	POLYGON ((-74.96443 40.11728, -74.96434 40.117...
3	4	9	Central	CTR	1.782880e+08	71405.143450	None	None	POLYGON ((-75.14791 39.96733, -75.14715 39.967...
4	5	10	University Southwest	USW	1.296468e+08	65267.676141	None	None	POLYGON ((-75.18742 39.96338, -75.18644 39.963...

In [142]:

sel = phl['DIST_NAME'].isin(['Central'])
central = phl.loc[sel]
central

Out[142]:

	OBJECTID_1	OBJECTID	DIST_NAME	ABBREV	Shape__Area	Shape__Length	PlanningDist	DaytimePop	geometry
3	4	9	Central	CTR	1.782880e+08	71405.14345	None	None	POLYGON ((-75.14791 39.96733, -75.14715 39.967...

In [143]:

central_geom = central.geometry[3]
type(central_geom)

Out[143]:

shapely.geometry.polygon.Polygon

1.2 Get the street network graph¶

In [147]:

print("Street Network - Center City, Philadelphia, PA")
G = ox.graph_from_polygon(central_geom, network_type='drive')
ox.plot_graph(G, node_size=0) # Visualizing Center City

Street Network - Center City, Philadelphia, PA

Out[147]:

(<Figure size 800x800 with 1 Axes>, <AxesSubplot:>)

1.3 Convert your network graph edges to a GeoDataFrame¶

In [148]:

edges = ox.graph_to_gdfs(G, edges=True, nodes=False) # Extracting geometries of the street network and turning them into a gdf
edges.head() 

Out[148]:

			osmid	oneway	name	highway	reversed	length	geometry	lanes	maxspeed	tunnel	bridge	ref	width	service	access	junction
u	v	key
109727439	109911666	0	132508434	True	Bainbridge Street	residential	False	44.137	LINESTRING (-75.17104 39.94345, -75.17053 39.9...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
109727448	109727439	0	12109011	True	South Colorado Street	residential	False	109.484	LINESTRING (-75.17125 39.94248, -75.17120 39.9...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
109727448	110034229	0	12159387	True	Fitzwater Street	residential	False	91.353	LINESTRING (-75.17125 39.94248, -75.17137 39.9...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
109727507	110024052	0	193364514	True	Carpenter Street	residential	False	53.208	LINESTRING (-75.17196 39.93973, -75.17134 39.9...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
109728761	110274344	0	672312336	True	Brown Street	residential	False	58.270	LINESTRING (-75.17317 39.96951, -75.17250 39.9...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN

1.4 Load PennDOT crash data¶

In [149]:

crash = pd.read_csv("./data/CRASH_PHILADELPHIA_2021.csv") # 2021 crash data, Source: Open Data Philly
crash.head()

Out[149]:

	ARRIVAL_TM	AUTOMOBILE_COUNT	...	WZ_LN_CLOSURE	WZ_MOVING	WZ_OTHER	WZ_SHLDER_MDN	ROADWAY_CLEARED	WEATHER1	WEATHER2	WZ_WORKERS_INJ_KILLED	SECONDARY_CRASH	INTERSECTION_RELATED
0	1646.0	1	...	NaN	NaN	NaN	NaN	1710.0	3	3.0	NaN	N	N
1	1650.0	0	...	NaN	NaN	NaN	NaN	5.0	3	3.0	NaN	N	N
2	1703.0	3	...	NaN	NaN	NaN	NaN	NaN	3	NaN	NaN	N	NaN
3	1238.0	3	...	NaN	NaN	NaN	NaN	NaN	3	NaN	NaN	N	N
4	1152.0	0	...	NaN	NaN	NaN	NaN	NaN	3	NaN	NaN	N	N

5 rows × 99 columns

1.5 Convert the crash data to a GeoDataFrame¶

In [150]:

crashgeo = gpd.GeoDataFrame(
crash,
geometry = gpd.points_from_xy(crash.DEC_LONG, crash.DEC_LAT),
crs="epsg:4326")
crashgeo.head() # Turning dataframe into geodataframe

Out[150]:

	ARRIVAL_TM	AUTOMOBILE_COUNT	...	WZ_MOVING	WZ_OTHER	WZ_SHLDER_MDN	ROADWAY_CLEARED	WEATHER1	WEATHER2	WZ_WORKERS_INJ_KILLED	SECONDARY_CRASH	INTERSECTION_RELATED	geometry
0	1646.0	1	...	NaN	NaN	NaN	1710.0	3	3.0	NaN	N	N	POINT (-75.19130 40.00820)
1	1650.0	0	...	NaN	NaN	NaN	5.0	3	3.0	NaN	N	N	POINT (-75.19360 39.94240)
2	1703.0	3	...	NaN	NaN	NaN	NaN	3	NaN	NaN	N	NaN	POINT (-75.19210 39.95280)
3	1238.0	3	...	NaN	NaN	NaN	NaN	3	NaN	NaN	N	N	POINT (-75.08820 39.98890)
4	1152.0	0	...	NaN	NaN	NaN	NaN	3	NaN	NaN	N	N	POINT (-75.21200 39.88610)

5 rows × 100 columns

1.6 Trim the crash data to Center City¶

In [151]:

cc_edges = edges.unary_union.convex_hull # Unioning geometries
cc_edges

Out[151]:

In [152]:

crashcc = crashgeo[crashgeo.within(cc_edges)] # Extracting Center City geometries
crashcc.head()

Out[152]:

	ARRIVAL_TM	AUTOMOBILE_COUNT	...	WZ_MOVING	WZ_OTHER	WZ_SHLDER_MDN	ROADWAY_CLEARED	WEATHER1	WEATHER2	WZ_WORKERS_INJ_KILLED	SECONDARY_CRASH	INTERSECTION_RELATED	geometry
9	1236.0	1	...	NaN	NaN	NaN	1333.0	3	NaN	NaN	N	N	POINT (-75.18070 39.95970)
13	602.0	0	...	NaN	NaN	NaN	NaN	3	3.0	NaN	N	N	POINT (-75.14910 39.95490)
31	1717.0	0	...	NaN	NaN	NaN	NaN	10	NaN	NaN	N	N	POINT (-75.18240 39.95160)
36	738.0	1	...	NaN	NaN	NaN	NaN	3	3.0	NaN	N	NaN	POINT (-75.14570 39.95760)
38	2020.0	0	...	NaN	NaN	NaN	NaN	3	3.0	NaN	Y	NaN	POINT (-75.16330 39.95340)

5 rows × 100 columns

1.7 Re-project our data into an approriate CRS¶

In [153]:

G_proj = ox.project_graph(G, to_crs="epsg:2272")
ox.plot_graph(G_proj, node_size=0)

Out[153]:

(<Figure size 800x800 with 1 Axes>, <AxesSubplot:>)

In [154]:

crashcc2 = crashcc.to_crs("epsg:2272")

1.8 Find the nearest edge for each crash¶

In [155]:

crash_x = crashcc2.geometry.x
crash_y = crashcc2.geometry.y

In [156]:

nearest_edges = ox.distance.nearest_edges(G_proj, crash_x, crash_y)

1.9 Calculate the total number of crashes per street¶

In [157]:

df = pd.DataFrame(nearest_edges, columns=['u', 'v', 'key'])
df

Out[157]:

	u	v	key
0	8482829382	7065714513	0
1	7384791791	775424603	0
2	2043885897	5879856051	0
3	109739559	110225812	0
4	110402209	110416548	0
...	...	...	...
1287	5562239293	1888418037	0
1288	109799565	109799300	0
1289	109784213	109789845	0
1290	7738709997	1479201367	0
1291	109770355	109770169	0

1292 rows × 3 columns

In [158]:

total_crash = df.groupby(['u', 'v']).size().reset_index(name='Crash_Count')
total_crash # Determining crash counts

Out[158]:

	u	v	Crash_Count
0	109729474	3425014859	2
1	109729486	109729699	1
2	109729486	110342146	2
3	109729699	109811674	2
4	109729709	109729731	3
...	...	...	...
485	7738709997	1479201367	2
486	8482829382	7065714513	69
487	8553549495	109811783	1
488	9244049904	634779465	2
489	9518379104	110318202	25

490 rows × 3 columns

1.10 Merge your edges GeoDataFrame and crash count DataFrame¶

In [160]:

edgemerge = edges.merge(total_crash, on=['u', 'v'], how='left')
edgemerge

Out[160]:

	u	v	osmid	oneway	name	highway	reversed	length	geometry	lanes	maxspeed	tunnel	bridge	ref	width	service	access	junction	Crash_Count
0	109727439	109911666	132508434	True	Bainbridge Street	residential	False	44.137	LINESTRING (-75.17104 39.94345, -75.17053 39.9...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
1	109727448	109727439	12109011	True	South Colorado Street	residential	False	109.484	LINESTRING (-75.17125 39.94248, -75.17120 39.9...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
2	109727448	110034229	12159387	True	Fitzwater Street	residential	False	91.353	LINESTRING (-75.17125 39.94248, -75.17137 39.9...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
3	109727507	110024052	193364514	True	Carpenter Street	residential	False	53.208	LINESTRING (-75.17196 39.93973, -75.17134 39.9...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
4	109728761	110274344	672312336	True	Brown Street	residential	False	58.270	LINESTRING (-75.17317 39.96951, -75.17250 39.9...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
3923	10131978091	109893257	62153768	True	Florist Street	residential	False	29.820	LINESTRING (-75.14316 39.95428, -75.14282 39.9...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
3924	10131978091	10131978090	1107306685	False	NaN	unclassified	True	8.061	LINESTRING (-75.14316 39.95428, -75.14319 39.9...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
3925	10132121779	10132121780	1107321326	False	NaN	unclassified	False	36.512	LINESTRING (-75.13649 39.96783, -75.13607 39.9...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
3926	10132121780	10132121779	1107321326	False	NaN	unclassified	True	36.512	LINESTRING (-75.13607 39.96775, -75.13649 39.9...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
3927	10132121780	109801992	12114483	True	North Lee Street	residential	False	61.339	LINESTRING (-75.13607 39.96775, -75.13623 39.9...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN

3928 rows × 19 columns

1.11 Calculate a "Crash Index"¶

In [163]:

edgemerge['Crash_Count'] = edgemerge['Crash_Count'].fillna(0)
edgemerge

Out[163]:

	u	v	osmid	oneway	name	highway	reversed	length	geometry	lanes	maxspeed	tunnel	bridge	ref	width	service	access	junction	Crash_Count	crash_per_length
0	109727439	109911666	132508434	True	Bainbridge Street	residential	False	44.137	LINESTRING (-75.17104 39.94345, -75.17053 39.9...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	0.0	0.0
1	109727448	109727439	12109011	True	South Colorado Street	residential	False	109.484	LINESTRING (-75.17125 39.94248, -75.17120 39.9...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	0.0	0.0
2	109727448	110034229	12159387	True	Fitzwater Street	residential	False	91.353	LINESTRING (-75.17125 39.94248, -75.17137 39.9...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	0.0	0.0
3	109727507	110024052	193364514	True	Carpenter Street	residential	False	53.208	LINESTRING (-75.17196 39.93973, -75.17134 39.9...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	0.0	0.0
4	109728761	110274344	672312336	True	Brown Street	residential	False	58.270	LINESTRING (-75.17317 39.96951, -75.17250 39.9...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	0.0	0.0
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
3923	10131978091	109893257	62153768	True	Florist Street	residential	False	29.820	LINESTRING (-75.14316 39.95428, -75.14282 39.9...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	0.0	0.0
3924	10131978091	10131978090	1107306685	False	NaN	unclassified	True	8.061	LINESTRING (-75.14316 39.95428, -75.14319 39.9...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	0.0	0.0
3925	10132121779	10132121780	1107321326	False	NaN	unclassified	False	36.512	LINESTRING (-75.13649 39.96783, -75.13607 39.9...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	0.0	0.0
3926	10132121780	10132121779	1107321326	False	NaN	unclassified	True	36.512	LINESTRING (-75.13607 39.96775, -75.13649 39.9...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	0.0	0.0
3927	10132121780	109801992	12114483	True	North Lee Street	residential	False	61.339	LINESTRING (-75.13607 39.96775, -75.13623 39.9...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	0.0	0.0

3928 rows × 20 columns

In [164]:

edgemerge['crash_per_length'] = edgemerge['Crash_Count'] / edgemerge['length']
edgemerge

Out[164]:

	u	v	osmid	oneway	name	highway	reversed	length	geometry	lanes	maxspeed	tunnel	bridge	ref	width	service	access	junction	Crash_Count	crash_per_length
0	109727439	109911666	132508434	True	Bainbridge Street	residential	False	44.137	LINESTRING (-75.17104 39.94345, -75.17053 39.9...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	0.0	0.0
1	109727448	109727439	12109011	True	South Colorado Street	residential	False	109.484	LINESTRING (-75.17125 39.94248, -75.17120 39.9...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	0.0	0.0
2	109727448	110034229	12159387	True	Fitzwater Street	residential	False	91.353	LINESTRING (-75.17125 39.94248, -75.17137 39.9...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	0.0	0.0
3	109727507	110024052	193364514	True	Carpenter Street	residential	False	53.208	LINESTRING (-75.17196 39.93973, -75.17134 39.9...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	0.0	0.0
4	109728761	110274344	672312336	True	Brown Street	residential	False	58.270	LINESTRING (-75.17317 39.96951, -75.17250 39.9...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	0.0	0.0
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
3923	10131978091	109893257	62153768	True	Florist Street	residential	False	29.820	LINESTRING (-75.14316 39.95428, -75.14282 39.9...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	0.0	0.0
3924	10131978091	10131978090	1107306685	False	NaN	unclassified	True	8.061	LINESTRING (-75.14316 39.95428, -75.14319 39.9...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	0.0	0.0
3925	10132121779	10132121780	1107321326	False	NaN	unclassified	False	36.512	LINESTRING (-75.13649 39.96783, -75.13607 39.9...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	0.0	0.0
3926	10132121780	10132121779	1107321326	False	NaN	unclassified	True	36.512	LINESTRING (-75.13607 39.96775, -75.13649 39.9...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	0.0	0.0
3927	10132121780	109801992	12114483	True	North Lee Street	residential	False	61.339	LINESTRING (-75.13607 39.96775, -75.13623 39.9...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	0.0	0.0

3928 rows × 20 columns

In [165]:

abovezero = edgemerge['Crash_Count'] > 0
log = np.log10(edgemerge.loc[abovezero]['crash_per_length'])

In [166]:

edgemerge['crash_index'] = (log - log.min()) / (log.max() - log.min())
edgemerge

Out[166]:

	u	v	osmid	oneway	name	highway	reversed	length	geometry	lanes	...	tunnel	bridge	ref	width	service	access	junction	Crash_Count	crash_per_length	crash_index
0	109727439	109911666	132508434	True	Bainbridge Street	residential	False	44.137	LINESTRING (-75.17104 39.94345, -75.17053 39.9...	NaN	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	0.0	0.0	NaN
1	109727448	109727439	12109011	True	South Colorado Street	residential	False	109.484	LINESTRING (-75.17125 39.94248, -75.17120 39.9...	NaN	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	0.0	0.0	NaN
2	109727448	110034229	12159387	True	Fitzwater Street	residential	False	91.353	LINESTRING (-75.17125 39.94248, -75.17137 39.9...	NaN	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	0.0	0.0	NaN
3	109727507	110024052	193364514	True	Carpenter Street	residential	False	53.208	LINESTRING (-75.17196 39.93973, -75.17134 39.9...	NaN	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	0.0	0.0	NaN
4	109728761	110274344	672312336	True	Brown Street	residential	False	58.270	LINESTRING (-75.17317 39.96951, -75.17250 39.9...	NaN	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	0.0	0.0	NaN
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
3923	10131978091	109893257	62153768	True	Florist Street	residential	False	29.820	LINESTRING (-75.14316 39.95428, -75.14282 39.9...	NaN	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	0.0	0.0	NaN
3924	10131978091	10131978090	1107306685	False	NaN	unclassified	True	8.061	LINESTRING (-75.14316 39.95428, -75.14319 39.9...	NaN	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	0.0	0.0	NaN
3925	10132121779	10132121780	1107321326	False	NaN	unclassified	False	36.512	LINESTRING (-75.13649 39.96783, -75.13607 39.9...	NaN	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	0.0	0.0	NaN
3926	10132121780	10132121779	1107321326	False	NaN	unclassified	True	36.512	LINESTRING (-75.13607 39.96775, -75.13649 39.9...	NaN	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	0.0	0.0	NaN
3927	10132121780	109801992	12114483	True	North Lee Street	residential	False	61.339	LINESTRING (-75.13607 39.96775, -75.13623 39.9...	NaN	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	0.0	0.0	NaN

3928 rows × 21 columns

1.12 Plot a histogram of the crash index values¶

In [167]:

from matplotlib import pyplot as plt
%matplotlib inline

In [168]:

edgemerge['crash_index'] = edgemerge['crash_index'].fillna(0)
edgemerge

Out[168]:

	u	v	osmid	oneway	name	highway	reversed	length	geometry	lanes	...	tunnel	bridge	ref	width	service	access	junction	Crash_Count	crash_per_length	crash_index
0	109727439	109911666	132508434	True	Bainbridge Street	residential	False	44.137	LINESTRING (-75.17104 39.94345, -75.17053 39.9...	NaN	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	0.0	0.0	0.0
1	109727448	109727439	12109011	True	South Colorado Street	residential	False	109.484	LINESTRING (-75.17125 39.94248, -75.17120 39.9...	NaN	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	0.0	0.0	0.0
2	109727448	110034229	12159387	True	Fitzwater Street	residential	False	91.353	LINESTRING (-75.17125 39.94248, -75.17137 39.9...	NaN	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	0.0	0.0	0.0
3	109727507	110024052	193364514	True	Carpenter Street	residential	False	53.208	LINESTRING (-75.17196 39.93973, -75.17134 39.9...	NaN	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	0.0	0.0	0.0
4	109728761	110274344	672312336	True	Brown Street	residential	False	58.270	LINESTRING (-75.17317 39.96951, -75.17250 39.9...	NaN	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	0.0	0.0	0.0
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
3923	10131978091	109893257	62153768	True	Florist Street	residential	False	29.820	LINESTRING (-75.14316 39.95428, -75.14282 39.9...	NaN	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	0.0	0.0	0.0
3924	10131978091	10131978090	1107306685	False	NaN	unclassified	True	8.061	LINESTRING (-75.14316 39.95428, -75.14319 39.9...	NaN	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	0.0	0.0	0.0
3925	10132121779	10132121780	1107321326	False	NaN	unclassified	False	36.512	LINESTRING (-75.13649 39.96783, -75.13607 39.9...	NaN	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	0.0	0.0	0.0
3926	10132121780	10132121779	1107321326	False	NaN	unclassified	True	36.512	LINESTRING (-75.13607 39.96775, -75.13649 39.9...	NaN	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	0.0	0.0	0.0
3927	10132121780	109801992	12114483	True	North Lee Street	residential	False	61.339	LINESTRING (-75.13607 39.96775, -75.13623 39.9...	NaN	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	0.0	0.0	0.0

3928 rows × 21 columns

In [169]:

fig, ax = plt.subplots(figsize=(8,8))
plt.style.use('seaborn-whitegrid')

ax.hist(edgemerge['crash_index'],
       bins=20,
       color='#738678',
       edgecolor='black')

plt.title('Crash Index in Center City, Philadelphia, PA')
plt.xlabel('Crash Index')
plt.ylabel('Count of Crashes')

Out[169]:

Text(0, 0.5, 'Count of Crashes')

1.13 Plot the street networks, colored by the crash index¶

In [170]:

from mpl_toolkits.axes_grid1 import make_axes_locatable
import folium
import matplotlib.colors as mcolors

In [171]:

fig, ax = plt.subplots(figsize=(8,8))

scaled_ax = make_axes_locatable(ax)
cax = scaled_ax.append_axes("right", size="10%", pad=0)

newedge = edgemerge.to_crs(epsg=3857)
ax = newedge.plot(ax=ax, cax=cax,
            column='crash_index',
            cmap='summer',
            legend=True)

ax.set_title('Crash Index Map (Center City, Philadelphia, PA)', fontsize=16)
ax.set_facecolor('black')
ax.set_xticks([])
ax.set_yticks([])
ax.set_aspect("equal")

plt.savefig('map.png', dpi=300)

1.14 An interactive map of the crash index¶

In [172]:

import folium

In [173]:

cmap = plt.get_cmap("summer")

def get_crash_style(features):
    """
    Get a style dict.
    """
    val = features["properties"]["crash_index"]

    if val is None:
        val = 0

    # Get the color as a hex string
    rgb_color = cmap(val)
    color = mcolors.rgb2hex(rgb_color)

    # Return the style dictionary
    return {"color": color, "weight": 1.75}

In [174]:

m = folium.Map(location=[39.95, -75.15], tiles='Cartodb dark_matter', zoom_start=12)

vars_to_json = edgemerge[['geometry', 'name', 'crash_index']].to_json()

title_html = '''
             <h3 align="center" style="font-size:20px"><b>Crash Map Index - Center City, Philadelphia, PA</b></h3>
             '''
m.get_root().html.add_child(folium.Element(title_html))

folium.GeoJson(
    data=vars_to_json,
    style_function=get_crash_style,
    tooltip=folium.GeoJsonTooltip(['name', 'crash_index'],
    legend_name="Crash Index")).add_to(m)

m

Out[174]:

Make this Notebook Trusted to load map: File -> Trust Notebook

Part 2: Interactive web maps with Folium: Fatal Shootings in Philadelphia (2021)¶

In [175]:

import carto2gpd
from folium.plugins import HeatMap

In [176]:

api_url = "https://phl.carto.com/api/v2/sql"

table_name = "shootings"

In [177]:

where = f"fatal = '1' AND year = '2021'"
where

Out[177]:

"fatal = '1' AND year = '2021'"

In [178]:

fatal2021 = carto2gpd.get(api_url, table_name, where=where) # API access statement
fatal2021 = fatal2021.loc[fatal2021.geometry.notnull()] 
fatal2021

Out[178]:

	geometry	cartodb_id	objectid	year	dc_key	code	date_	time	race	sex	...	offender_injured	offender_deceased	location	latino	point_x	point_y	dist	inside	outside	fatal
0	POINT (-75.15125 40.01035)	2	7564240	2021	202139054233.0	111	2021-10-09T00:00:00Z	22:19:00	B	M	...	N	N	3700 BLOCK GERMANTOWN AVE	0	-75.151252	40.010352	39	0	1	1
1	POINT (-75.15015 40.01534)	10	7564248	2021	202139055178.0	111	2021-10-14T00:00:00Z	20:31:00	B	M	...	N	N	1400 BLOCK W LYCOMING ST	0	-75.150148	40.015336	39	0	1	1
2	POINT (-75.17013 39.99912)	18	7564256	2021	202139060890.0	111	2021-11-12T00:00:00Z	19:36:00	B	M	...	N	N	2400 BLOCK W CAMBRIA ST	0	-75.170126	39.999116	39	0	1	1
3	POINT (-75.15338 40.00097)	23	7564261	2021	202139065392.0	111	2021-12-10T00:00:00Z	17:50:00	W	M	...	N	N	3100 BLOCK N BROAD ST APT 3	0	-75.153384	40.000974	39	1	0	1
4	POINT (-75.17894 40.01088)	24	7564262	2021	202139065994.0	111	2021-12-14T00:00:00Z	11:34:00	B	M	...	N	N	3200 BLOCK DEFENSE TERR	0	-75.178940	40.010880	39	0	1	1
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
503	POINT (-75.12162 39.98876)	12114	7563368	2021	202124028200.0	111	2021-05-01T00:00:00Z	21:56:00	W	M	...	N	N	2000 BLOCK E SILVER ST	0	-75.121622	39.988757	24	0	1	1
504	POINT (-75.12663 39.99347)	12120	7563374	2021	202124043286.0	111	2021-06-28T00:00:00Z	16:22:00	B	F	...	N	N	200 BLOCK E CAMBRIA ST	0	-75.126626	39.993472	24	0	1	1
505	POINT (-75.22741 39.95059)	12125	7562705	2021	202118001818.0	111	2021-01-10T00:00:00Z	14:43:00	B	M	...	N	N	5200 BLOCK CEDAR AVE	0	-75.227414	39.950587	18	0	1	1
506	POINT (-75.22514 39.95516)	12136	7562716	2021	202118022222.0	111	2021-05-07T00:00:00Z	16:39:00	B	M	...	N	N	5100 BLOCK IRVING ST	0	-75.225138	39.955159	18	0	1	1
507	POINT (-75.19398 39.93190)	12141	7562721	2021	202117021417.0	111	2021-08-14T00:00:00Z	00:44:00	B	M	...	N	N	1700 BLOCK S HOLLYWOOD ST	0	-75.193983	39.931899	17	0	1	1

505 rows × 23 columns

In [179]:

fatal2021['lat'] = fatal2021.geometry.y
fatal2021['lng'] = fatal2021.geometry.x

coords = fatal2021[['lat', 'lng']].values

In [180]:

from folium import plugins

m = folium.Map(
    location=[39.99, -75.13],
    tiles='Cartodb dark_matter',
    zoom_start=11)

title_html = '''
             <h3 align="center" style="font-size:20px"><b>Fatal Shootings - Philadelphia, PA (2021)</b></h3>
             '''
m.get_root().html.add_child(folium.Element(title_html))


HeatMap(coords).add_to(m)

m

Out[180]:

Make this Notebook Trusted to load map: File -> Trust Notebook