import pandas as pd
import matplotlib.pyplot as plt
import sys
sys.path.append("src/")
import label_utils
path = "dataset/incidenti/istat/incidenti_2018.txt"
data: pd.DataFrame = pd.read_csv(path, sep="\t", encoding='latin1')
intersezione = data['intersezione_o_non_interse3']
intersezione_labels = label_utils.join_labels(
intersezione,
"dataset/incidenti/istat/Classificazioni/intersezione_o_non_interse3.csv"
).value_counts().sort_index()
# Tengo scala in decine di migliaia
intersezione_labels /= 1000
intersezione_labels = intersezione_labels.sort_index()
intersezione_labels.plot.barh(color=['#77aa66'], width=0.9)
plt.xlabel("Incidenti totali, in migliaia, per tipo di incrocio (2018)")
plt.ylabel("")
plt.tight_layout()
plt.show()
import matplotlib.pyplot as plt
import sys
sys.path.append("src/")
import label_utils
path = "dataset/incidenti/istat/incidenti_2018.txt"
data = pd.read_csv(path, sep="\t")
# Selezione dati in base alla localizzazione incidente
strade_urbane = data[(data['localizzazione_incidente'] == 1) | (data['localizzazione_incidente'] == 2) | (data['localizzazione_incidente'] == 3)]['veicolo__a___sesso_conducente']
strade_extraurbane = data[(data['localizzazione_incidente'] == 4) | (data['localizzazione_incidente'] == 5) | (data['localizzazione_incidente'] == 6)]['veicolo__a___sesso_conducente']
autostrade = data[data['localizzazione_incidente'] == 7]['veicolo__a___sesso_conducente']
# Rimozione dati nulli e conversione campo da string a int (tipo corretto)
strade_urbane = strade_urbane[strade_urbane != ' '].astype(int)
strade_extraurbane = strade_extraurbane[strade_extraurbane != ' '].astype(int)
autostrade = autostrade[autostrade != ' '].astype(int)
strade_extraurbane = label_utils.join_labels(strade_extraurbane, "dataset/incidenti/istat/Classificazioni/veicolo__a___sesso_conducente.csv").value_counts(normalize=True).sort_index()
strade_urbane = label_utils.join_labels(strade_urbane, "dataset/incidenti/istat/Classificazioni/veicolo__a___sesso_conducente.csv").value_counts(normalize=True).sort_index()
autostrade = label_utils.join_labels(autostrade, "dataset/incidenti/istat/Classificazioni/veicolo__a___sesso_conducente.csv").value_counts(normalize=True).sort_index()
dataset_uniti = pd.DataFrame(
[strade_extraurbane, strade_urbane, autostrade],
index=['Autostrade', 'Strade urbane', 'Strade Extra-Urbane']
).transpose()
dataset_uniti.plot.bar(color = ['#5f64c6', '#c65f64', '#c6c15f'])
plt.xticks(rotation=0)
plt.tight_layout()
plt.show()
import pandas as pd
import matplotlib.pyplot as plt
import sys
sys.path.append("src/")
import label_utils
import heatmap as H
data = pd.read_csv("dataset/incidenti/istat/incidenti_2018.txt", sep="\t")
# selezione dati in base al luogo dell'incidente
autostrade_veicoli = data[data['localizzazione_incidente'] ==
7]['tipo_veicolo_a']
autostrade_veicoli = label_utils.join_labels(
autostrade_veicoli,
"dataset/incidenti/istat/Classificazioni/tipo_veicoli__b_.csv"
).value_counts(normalize=True).sort_index()
strade_urbane = data[(data['localizzazione_incidente'] == 1) |
(data['localizzazione_incidente'] == 2) |
(data['localizzazione_incidente'] == 3)]['tipo_veicolo_a']
strade_urbane = label_utils.join_labels(
strade_urbane,
"dataset/incidenti/istat/Classificazioni/tipo_veicoli__b_.csv"
).value_counts(normalize=True).sort_index()
strade_extraurbane = data[
(data['localizzazione_incidente'] == 4) |
(data['localizzazione_incidente'] == 5) |
(data['localizzazione_incidente'] == 6)]['tipo_veicolo_a']
strade_extraurbane = label_utils.join_labels(
strade_extraurbane,
import pandas as pd
import matplotlib.pyplot as plt
import sys
sys.path.append('src')
import label_utils
data = pd.read_csv("dataset/incidenti/istat/incidenti_2013.txt", sep="\t")
agosto = data[data['mese'] == 8]['provincia']
agosto_label = label_utils.join_labels(agosto, 'dataset/incidenti/istat/Classificazioni/provincia.csv').value_counts().head(10)
mesi = label_utils.join_labels(data['provincia'], 'dataset/incidenti/istat/Classificazioni/provincia.csv').value_counts().head(10)
# Colore del grafo per evidenziare delle colonne
agosto_ls = ['#6ac48f']*12
agosto_ls[:4] = ['#1dad59']*4
mesi_ls = ['#6a9ec4']*12
mesi_ls[:2] = ['#1d71ad']*2
mesi_ls[7] = '#1d71ad'
mesi_ls[9] = '#1d71ad'
plt.subplot(2,1,1)
agosto_label.plot.bar(width=0.9, color=agosto_ls)
plt.ylabel("Incidenti in Agosto (2011)")
plt.tight_layout()
plt.subplot(2,1,2)
mesi.plot.bar(width=0.9, color=mesi_ls)
plt.ylabel("Incidenti all'anno (2011)")
plt.tight_layout()
plt.show()
import pandas as pd
import matplotlib.pyplot as plt
import sys
sys.path.append("src/")
import label_utils
path = "dataset/incidenti/istat/incidenti_2018.txt"
data: pd.DataFrame = pd.read_csv(path, sep="\t", encoding='latin1')
natura_incidente = data['natura_incidente']
natura_incidente_labels = label_utils.join_labels(
natura_incidente,
"dataset/incidenti/istat/Classificazioni/natura_incidente.csv"
).value_counts().sort_index()
natura_incidente_labels.plot.barh(color='#5da3c1', width=0.9)
plt.xlabel("Incidenti all'anno (2018)")
plt.tight_layout()
plt.show()
print("Processing: " + str(year))
# inconsistenze tra dataset istat
if year == 2017:
data = pd.read_csv(path + str(year) + ".txt",
sep="\t",
error_bad_lines=False,
engine='python')
else:
data = pd.read_csv(path + str(year) + ".txt",
sep="\t",
encoding="latin1")
natura_incidente = data['natura_incidente']
natura_incidente_labels = label_utils.join_labels(
natura_incidente,
"dataset/incidenti/istat/Classificazioni/natura_incidente.csv"
).value_counts(normalize=True)
natura_incidente_labels = natura_incidente_labels[tipo_incidenti]
inc_per_anno[str(year)] = pd.Series(natura_incidente_labels)
fig, ax = plt.subplots()
im = H.heatmap(inc_per_anno,
inc_per_anno.index,
inc_per_anno.columns,
ax=ax,
cmap="OrRd",
cbar_visible=False)
texts = H.annotate_heatmap(im)
fig.tight_layout()
incidenti_pedoni = data[fields]
fields.remove('intersezione_o_non_interse3')
# Pulizia dataset da valori nulli
incidenti_pedoni = incidenti_pedoni[
incidenti_pedoni['pedone_ferito_1__sesso'] != ' ']
# Conteggio pedoni e conversione degli indici numerici degli incroci in testo
pedoni_feriti = istat_utils.get_people(incidenti_pedoni, fields)
incidenti_pedoni = pd.DataFrame(
[incidenti_pedoni['intersezione_o_non_interse3'], pedoni_feriti],
['tipo_incrocio', 'pedoni_feriti']).transpose()
incidenti_pedoni = incidenti_pedoni[incidenti_pedoni['pedoni_feriti'] != 0]
incidenti_labels = label_utils.join_labels(
incidenti_pedoni['tipo_incrocio'],
'dataset/incidenti/istat/Classificazioni/intersezione_o_non_interse3.csv')
incidenti_pedoni = pd.DataFrame(
[incidenti_labels, incidenti_pedoni['pedoni_feriti']],
['tipo_incrocio', 'pedoni_feriti']).transpose()
pedoni_contati = pd.DataFrame(
pd.crosstab(incidenti_pedoni['tipo_incrocio'],
incidenti_pedoni['pedoni_feriti'])).transpose()
pedoni_contati.index = pedoni_contati.index.astype(int)
fig, ax = plt.subplots()
im = H.heatmap(pedoni_contati,
pedoni_contati.index,
pedoni_contati.columns,
ax=ax,
data['morti'] = data[morti[0]] + data[morti[1]]
# Somma morti per tipo di incrocio
df = {}
for inc in data[incroci].unique():
df[inc] = 0
for inc, morti in zip(data[incroci], data['morti']):
df[inc] += morti
# Numero di incidenti è uguale a numero righe dataset, diviso per tipo di incroci
num_incroci = data[incroci].value_counts().sort_index()
indice_mortalita = pd.Series(df.values(), index=df.keys()).sort_index()
mortalita = pd.DataFrame([indice_mortalita * 100 / num_incroci],
index=['indice']).transpose()
mortalita['incrocio'] = mortalita.index
mortalita['incrocio'] = label_utils.join_labels(
mortalita['incrocio'],
"dataset/incidenti/istat/Classificazioni/intersezione_o_non_interse3.csv")
mortalita.index = mortalita['incrocio']
mortalita = mortalita['indice']
mortalita = mortalita.sort_index()
mortalita.plot.barh(color='#aa6677', width=0.9)
plt.xlabel("Indice di Mortalità per tipo di incrocio (2018)")
plt.ylabel("")
plt.tight_layout()
plt.show()
ostacolo = tipo_incidenti[tipo_incidenti['natura_incidente'] == 8]['feriti']
sbandamento = tipo_incidenti[tipo_incidenti['natura_incidente'] == 10]['feriti']
tamponamento = tamponamento.value_counts()
frontale = frontale.value_counts()
ostacolo = ostacolo.value_counts()
sbandamento = sbandamento.value_counts()
df = pd.DataFrame(
[tamponamento, frontale, ostacolo, sbandamento],
['tamponamento', 'frontale', 'ostacolo', 'sbandamento']
)[[1,2,3,4]].transpose()
# Conversione di indici numerici per tipologia di incidente
perc = tipo_incidenti['natura_incidente']
perc = label_utils.join_labels(perc, "dataset/incidenti/istat/Classificazioni/natura_incidente.csv")
perc = perc.value_counts(normalize=False)
# Normalizzazione valori in base alla percentuale del tipo di incidente
df['tamponamento'] = df['tamponamento'] / 32104 # numero di incidenti di questo tipo (da perc)
df['frontale'] = df['frontale'] / 9715
df['ostacolo'] = df['ostacolo'] / 8606
df['sbandamento'] = df['sbandamento'] / 15284
color_ls = ['#60c1c1', '#6060c1', '#c16060', '#c1c160']
df.plot.bar(width=0.9, color=color_ls)
plt.xticks(rotation=0)
plt.xlabel("Numero di feriti")
plt.ylabel("Percentuale della categoria di incidente\ncon numero di feriti indicato (2018)")
plt.show()