1. scikit-mobilityとは？

scikit-mobilityは位置情報データを使用して人の動きを解析したり、可視化することができるpythonライブラリです。

公式ドキュメント：https://scikit-mobility.github.io/scikit-mobility/index.html
GitHub：https://github.com/scikit-mobility/scikit-mobility
公式ドキュメントは英語しかありませんが結構充実していて、
GitHubにはチュートリアル等も載っているので試してみるのがおすすめです。

scikit-mobilityの主な機能と、チュートリアルについて解説しているQiitaもありますのでこちらも是非参考にしてください。

【Python】位置情報解析ライブラリscikit-mobilityについて① ~scikit-mobilityとは?~

2. 今回紹介する関数

カテゴリ：measures(データ解析用関数)
参考URL：https://scikit-mobility.github.io/scikit-mobility/reference/measures.html
概要：緯度・経度・日時・ユーザーid等のデータから様々な移動パターンの解析を行うことができる関数が用意されています。

また、データ解析用の関数には二種類のカテゴリがあります。

今回はこのうち
Individual measures (個別解析)
に分類される17個の関数のうち以下の6つの関数を、コードを交えて紹介していきます。

radius_of_gyration：ユーザーの特徴的な移動距離を算出する関数
k_radius_of_gyration：ユーザーの最も頻度の高いk個の場所からの特徴的な移動距離を算出する関数
random_entropy：ユーザーのランダムエントロピーを算出する関数
uncorrelated_entropy：各場所の履歴確率からユーザーの訪問パターンの特徴を算出する関数
real_entropy：「移動パターン」に存在する時空間的な特徴の予測可能確率を算出する関数
jump_lengths：時系列順に並んだ2つの連続した各ポイント間の距離を算出する関数

※ 今回この記事で使用しているデータは社内検証用のデータになります。

3. 前提処理

ライブラリのインストール

$ pip install scikit-mobility

詳しい環境構築はこちらを参考にしてください

TrajDataFrameデータの作成

以下の項目を含むデータを用意します。

latitude(type: float);　緯度(必須)
longitude (type: float);　経度(必須)
datetime (type: date-time); 日時(必須)
uid (type: string)；(オプション)
tid (type: string); (オプション)

特に使いたいデータがない場合はscikit-mobilityのチュートリアルを参考にこちらのデータをダウンロードするといいと思います。
※自動でデータがダウンロードされるので気をつけてください

# ファイルのダウンロード(google colab等で実行する場合はこうすると楽です。)
import urllib.request
url='https://raw.githubusercontent.com/scikit-mobility/scikit-mobility/master/examples/geolife_sample.txt.gz'
save_name='geolife_sample.txt.gz'
urllib.request.urlretrieve(url, save_name)

用意したデータをTrajDataFrameに変換します。

import skmob
# リストをTrajDataFrameに変換する場合
tdf = skmob.TrajDataFrame(data_list, latitude=1, longitude=2, datetime=3)
# pandas.DataFrameをTrajDataFrameに変換する場合
tdf = skmob.TrajDataFrame(data_df, latitude='latitude', datetime='hour', user_id='user')

Individual measures (個別解析)

参考URL：https://scikit-mobility.github.io/scikit-mobility/reference/individual_measures.html

概要

入力したuidごとの移動履歴、行動パターンを解析する関数が所属しています。

radius_of_gyration

概要

各ユーザーの特徴的な移動距離を算出する関数

inputに必要なデータとパラメータ、outputされるデータについて

inputデータ
- tdf(TrajDataFrame): 緯度経度データ
パラメータ
- show_progress: Trueの場合、プログレスバーを表示。
inputデータ例
- データ型はTrajDataFrameのデータを使用します。
outputデータ
- 各ユーザーの特徴的な移動距離(回転半径)を算出します。
- outputされるデータ例
- uidとradius_of_gyrationのカラムを含むデータが出力されます。
- ユーザーidとそれに対応するユーザーの特徴的な移動距離がわかります。
- 特徴的な移動距離の内容が理解できておらず勉強中です。。
- 習慣（よくあるパターン）的な特徴なのか、珍しい移動的な特徴なのかが未だわからずといった感じです。

コード例

from skmob.measures.individual import radius_of_gyration
rg_df = radius_of_gyration(tdf)
rg_df.head(10)

k_radius_of_gyration

概要

ユーザーの最も頻度の高いk個の場所からの特徴的な移動距離(k回回転半径)を算出する関数

inputに必要なデータとパラメータ、outputされるデータ

inputデータ
- tdf(TrajDataFrame): 緯度経度データ
パラメータ
- k: 最も頻繁に訪れる場所の数(デフォルトは２)
- show_progress: Trueの場合、プログレスバーを表示
inputデータ例
- データ型はTrajDataFrame。
outputデータ
- 各ユーザーの最も頻度の高いk個の場所からの特徴的な移動距離をuidごとに算出します。
- outputされるデータ例

コード例

from skmob.measures.individual import k_radius_of_gyration
krg_df = k_radius_of_gyration(tdf)
krg_df.head(10)

random_entropy

概要

各ユーザーのランダムエントロピー(予測可能性)を算出する関数

inputに必要なデータとパラメータ、outputされるデータ

inputデータ
- tdf(TrajDataFrame): 緯度経度データ
パラメータ
- show_progress: Trueの場合、プログレスバーを表示
inputデータ例
- データ型はTrajDataFrame。
outputデータ
- 各ユーザーの居場所の予測可能性が算出されます。
- outputされるデータ例

コード例

from skmob.measures.individual import random_entropy
re_df = random_entropy(tdf)
re_df.head(10)

uncorrelated_entropy

概要

各場所の履歴確率からユーザーの訪問パターンの特徴を算出する。

inputに必要なデータとパラメータ、outputされるデータ

inputデータ
- tdf(TrajDataFrame): 緯度経度データ
パラメータ
- normalize: Trueの場合範囲内のエントロピーを正規化
- show_progress: Trueの場合プログレスバーを表示
inputデータ例
- データ型はTrajDataFrame。
outputデータ
- 各ユーザーの訪問パターンの特徴のエントロピーを算出
- outputされるデータ例

コード例

from skmob.measures.individual import uncorrelated_entropy
ue_df = uncorrelated_entropy(tdf, normalize=True)
ue_df.head(10)

real_entropy

概要

訪問頻度、訪問した場所の順序や各場所に滞在した時間から、「移動パターン」に存在する時空間的な特徴の予測可能確率を算出する

inputに必要なデータとパラメータ、outputされるデータ

inputデータ
- tdf(TrajDataFrame): 緯度経度データ
パラメータ
- show_progress: Trueの場合、プログレスバーを表示
inputデータ例
- データ型はTrajDataFrame。
outputデータ
- 各ユーザーの移動パターンの特徴の予測可能確率をuidごとに算出します。
- outputされるデータ例

コード例

from skmob.measures.individual import real_entropy
rtdf = tdf.sort_values(by="datetime")
re_df = real_entropy(rtdf) 
re_df.head(10)

jump_lengths

概要

時系列順に並んだ2つの連続した各ポイント間の距離を算出する

inputに必要なデータとパラメータ、outputされるデータ

inputデータ
- tdf(TrajDataFrame): 緯度経度データ
パラメータ
- show_progress: Trueの場合、プログレスバーを表示
- merge: Trueの場合、個人のリストを１つのリストにマージする
inputデータ例
- データ型はTrajDataFrame。
- inputデータは、datetimeで昇順に並べ替える必要があります。
outputデータ
- uidごとに各ポイント間の距離を算出し、表示します。
- merge=Falseの場合は、pandas.DataFrameで出力されます。
- outputされるデータ例
- merge=Trueの場合は、listで出力されます。
- uid関係なく全件のデータがlistにまとめられてしまうようなので、データを入れる前にuidごとに処理できるようにする一工程必要そうです。

コード例

from skmob.measures.individual import jump_lengths
jl_df = jump_lengths(tdf)
jl_df.head(10)
# mergeあり
jl_list = jump_lengths(tdf, merge=True)

5. シリーズ記事

scikit-mobilityについて、シリーズで記事を投稿しています。
シリーズの記事もぜひ読んでいただけると嬉しいです。

前回の記事はこちらです。

【Python】位置情報解析ライブラリscikit-mobilityについて④ ~データ解析編・人流データ全体解析~

最後に

私たちの会社、ナイトレイでは一緒に事業を盛り上げてくれるGISチームメンバーを募集しています！
現在活躍中のメンバーは開発部に所属しながらセールス部門と密に動いており、
慣れてくれば顧客とのフロントに立ち進行を任されるなど、顧客に近い分やりがいを感じやすい
ポジションです。

このような方は是非Wantedlyからお気軽にご連絡ください（もしくは recruit@nightley.jp まで）

✔︎ GISの使用経験があり、観光・まちづくり・交通系などの分野でスキルを活かしてみたい
✔︎ ビッグデータの処理が好き！（達成感を感じられる）
✔︎ 社内メンバーだけではなく顧客とのやり取りも実はけっこう好き
✔︎ 地理や地図が好きで仕事中も眺めていたい

一つでも当てはまる方は是非こちらの記事をご覧ください。
二つ当てはまった方は是非エントリーお待ちしております(^ ^)

「位置情報×モビリティ.まちづくりetc事業領域拡大の為GISエンジニア募集」

▼ナイトレイとは？

【Python】位置情報解析ライブラリscikit-mobilityについて⑤ -ユーザー別解析編・前編-

1. scikit-mobilityとは？

2. 今回紹介する関数

3. 前提処理

ライブラリのインストール

TrajDataFrameデータの作成

Individual measures (個別解析)

概要

radius_of_gyration

概要

inputに必要なデータとパラメータ、outputされるデータについて

k_radius_of_gyration

概要

inputに必要なデータとパラメータ、outputされるデータ

random_entropy

概要

inputに必要なデータとパラメータ、outputされるデータ

uncorrelated_entropy

概要

inputに必要なデータとパラメータ、outputされるデータ

real_entropy

概要

inputに必要なデータとパラメータ、outputされるデータ

jump_lengths

概要

inputに必要なデータとパラメータ、outputされるデータ

5. シリーズ記事

最後に