projects.mako.cc - matplotlib-cdsw/blob - 005-traffic-timeseries.py

   1 """
   2
   3 005-traffic-timeseries.py
   4
   5 A relatively elaborate example of plotting time-series acquired through calls to the Socrata API
   6
   7 """
   8 from datetime import datetime
   9 import requests
  10 import collections
  11 import matplotlib.pyplot as plt
  12
  13
  14 # Get traffic data:
  15 api_call = requests.get("https://data.seattle.gov/resource/2z5v-ecg8.json?$where=date > '2015-01-15T00:00:00'  AND date < '2015-02-15T00:00:00'")
  16 #store the data we just pulled down from the internet into a json object called 'all counts'
  17 all_counts = api_call.json()
  18 #create a new, empty dictionary. When we're done, this will contain counts per day
  19 daily_counts = {}
  20 #trim the time values off of data/times stamps, and add them to our empty dictionary
  21 for c in all_counts:
  22     count_date = c['date'][:10]
  23     if count_date not in daily_counts.keys():
  24         daily_counts[count_date]=0
  25
  26 #we are only interested in the data from one bike counter location, so filter out the rest
  27 for c in all_counts:
  28     try:
  29         daily_counts[c['date'][:10]] += int(c['bgt_north_of_ne_70th_total'])
  30     except:
  31         pass
  32
  33 # We'll put the counts and dates into lists we will then use in plotting
  34 count_dates = []
  35 counts = []
  36 for key in sorted(daily_counts):
  37     count_dates.append(datetime.strptime(key, '%Y-%m-%d'))
  38     counts.append(daily_counts[key])
  39
  40
  41 # Repeat with calls to the API to get temperatures:
  42 api_call_temp = requests.get("https://data.seattle.gov/resource/egc4-d24i.json?$select=date_trunc_ymd(datetime) AS day, MAX(airtemperature) AS top_temp&$where=datetime > '2015-01-15T00:00:00' AND datetime < '2015-02-15T00:00:00' AND stationname= 'RooseveltWay_NE80thSt'&$group=day")
  43 raw_data = api_call_temp.json()
  44 daily_temps = {}
  45
  46 for c in raw_data:
  47     temp_date = c['day'][:10]
  48     daily_temps[temp_date]=c['top_temp']
  49
  50 temp_dates = []
  51 temps = []
  52 for key in sorted(daily_temps):
  53     temp_dates.append(datetime.strptime(key, '%Y-%m-%d'))
  54     temps.append(daily_temps[key])
  55
  56 # We'll use the styles again
  57 plt.style.use('ggplot')
  58 # This means: 2 rows, 1 column:
  59 fig, (ax1, ax2) = plt.subplots(2, 1)
  60 ax1.plot(temp_dates, temps)
  61 ax2.plot(count_dates, counts)
  62 plt.show()
  63
  64 # A picture is worth 1000 words.
  65
  66 # Challenge: plot a scatter plot showing this relationship. Consider using the 'scatter' plotting function:
  67 # http://matplotlib.org/examples/shapes_and_collections/scatter_demo.html
  68
  69 # Plot a series of figures with this relationship plotted for every month in 2014