使用Python基于CSV公交数据计算站点间路段时间间隔

步骤说明与代码实现 #

1. 导入依赖库 #

import pandas as pd
from datetime import timedelta

2. 读取并预处理数据 #

先读取CSV文件，再处理公交数据中常见的跨天时间格式（如25:00:00），将时间转换为可计算的timedelta类型：

# 读取目标CSV文件
df = pd.read_csv('your_bus_data.csv')

# 解析时间字符串为timedelta，兼容跨天时间
def parse_bus_time(time_str):
    h, m, s = map(int, time_str.split(':'))
    return timedelta(hours=h, minutes=m, seconds=s)

df['arrival_delta'] = df['arrival_time'].apply(parse_bus_time)

3. 按行程分组计算路段信息 #

按trip_id分组后，每组内按stop_sequence排序，接着提取下一站的信息并计算路段耗时：

# 按行程ID分组，组内按站点顺序排序
df_sorted = df.sort_values(['trip_id', 'stop_sequence']).reset_index(drop=True)

# 同行程内，获取下一站的站点ID和到达时间
df_sorted['next_stop_id'] = df_sorted.groupby('trip_id')['stop_id'].shift(-1)
df_sorted['next_arrival_delta'] = df_sorted.groupby('trip_id')['arrival_delta'].shift(-1)

# 计算路段耗时（转换为秒）
df_sorted['segment_duration_sec'] = (df_sorted['next_arrival_delta'] - df_sorted['arrival_delta']).dt.total_seconds()

# 过滤无下一站的行（每个行程的最后一个站点）
segment_df = df_sorted.dropna(subset=['next_stop_id', 'segment_duration_sec']).copy()

# 生成路段唯一标识（起点站点ID-终点站点ID）
segment_df['segment_id'] = segment_df.apply(lambda row: f"{row['stop_id']}-{row['next_stop_id']}", axis=1)

4. 整理最终路段数据 #

保留核心字段，按需转换时间格式：

final_segment_df = segment_df[[
    'trip_id', 'segment_id', 'stop_id', 'next_stop_id',
    'arrival_time', 'segment_duration_sec', 'stop_headsign'
]]

# 可选：将下一站到达时间转换回字符串格式
final_segment_df['next_arrival_time'] = df_sorted['next_arrival_delta'].apply(lambda x: str(x))

5. 共享路段分析 #

若需统计同一路段在不同行程中的耗时情况，可按segment_id分组聚合：

segment_stats = final_segment_df.groupby('segment_id').agg(
    avg_duration_sec=('segment_duration_sec', 'mean'),
    min_duration_sec=('segment_duration_sec', 'min'),
    max_duration_sec=('segment_duration_sec', 'max'),
    related_trips=('trip_id', 'nunique')
).reset_index()

关键注意事项 #

• 排序优先级：必须确保每个trip_id下的站点按stop_sequence升序排列，否则时间差计算会完全错误。
• 跨天时间兼容：使用timedelta类型处理时间，可自动解决25:00:00这类跨天时间的差值计算问题。
• 无效数据过滤：每个行程的最后一个站点没有后续站点，必须过滤掉这类行以避免无效计算结果。

内容的提问来源于stack exchange，提问作者peetman