न्यूयॉर्क पीली टैक्सी 2023: टैक्सी की माँग कहाँ और कब होती है
न्यूयॉर्क के लगभग 18 लाख टैक्सी सफ़रों की खोजबीन वाली जाँच (EDA): हर घंटे और हर इलाक़े की माँग, किराया, टिप और धीमे रास्ते, साथ में इलाक़ों का नक्शा और चलाकर देखने लायक़ डेमो।
तैयार है
PythonpandasGeoPandasEDAmaps
यह काम कृतिकेश राजपुरोहित का है। डेटा की साफ़-सफ़ाई और लिखने में एक AI सहायक (Claude) का हाथ बँटा।
ख़ुद चलाकर देखिए
कुछ शब्द पहले: EDA (एक्सप्लोरेटरी डेटा एनालिसिस) यानी आँकड़ों (डेटा) को खंगालकर उनमें छिपे पैटर्न ढूँढना। Python एक प्रोग्रामिंग भाषा है, और pandas व GeoPandas उसके टूल हैं: pandas तालिकाओं (टेबल) वाले डेटा के लिए, GeoPandas नक्शों वाले डेटा के लिए।
सवाल
न्यूयॉर्क में एक नई टैक्सी कंपनी जानना चाहती है कि गाड़ियाँ कब और कहाँ खड़ी करें, कौन-से रास्ते समय बर्बाद करते हैं, और किराया और टिप कैसे बदलते हैं।
क्या किया
- न्यूयॉर्क टैक्सी और लिमोज़ीन कमीशन की 2023 की 12 महीनों वाली फ़ाइलों से हर तारीख़ और हर घंटे के 5% सफ़र चुने (सैंपल): कुल 18,96,378 सफ़र, जो साफ़-सफ़ाई के बाद 17,99,283 रह गए।
- साफ़ लिखे गए नियमों से डेटा साफ़ किया (जैसे नामुमकिन सवारी-संख्या, ऋणात्मक यानी माइनस वाली रक़म, बहुत ही ज़्यादा किराया, दूरी या समय), और गिना कि हर नियम ने कितनी पंक्तियाँ हटाईं।
- घंटे, हफ़्ते के दिन और महीने के हिसाब से माँग; कमाई और प्रति मील किराया; टिप; और GeoPandas के नक्शे पर हर इलाक़े से बैठने वाली सवारियाँ जाँचीं।
क्या मिला
| सवाल | नतीजा |
|---|---|
| सबसे व्यस्त घंटे | शाम 6 बजे (18:00); सबसे ऊपर के पाँचों घंटे दोपहर 3 से शाम 7 बजे (15:00 से 19:00) के बीच हैं |
| हफ़्ते का आख़िर (शनि-रवि) | आधी रात के बाद शनि-रवि की माँग आम दिनों से 2.5 गुना होती है |
| रात (11 बजे से सुबह 5 बजे तक) | कुल कमाई का 12.1% |
| किराया किससे तय होता है | दूरी से (r = 0.945) और समय से (r = 0.846), सवारियों की गिनती से नहीं। (r यानी सहसंबंध: दो चीज़ें साथ-साथ कितना बदलती हैं; 1 के जितना पास, रिश्ता उतना पक्का) |
| हवाई अड्डे | JFK हवाई अड्डे पर उतरने वालों से 4.6 गुना ज़्यादा लोग टैक्सी में बैठते हैं |

जो गड़बड़ी (बग) ठीक की
पहले वर्ज़न में सैंपल चुनने वाले कोड में एक गड़बड़ी थी, जिसने 1,46,450 पंक्तियों की नकल (डुप्लिकेट) बना दी, और लगभग सब रात 11 बजे (23:00) की थीं। इस वजह से रात 11 बजे सबसे व्यस्त घंटा दिख रहा था। सैंपलिंग ठीक करके सब कुछ फिर से चलाया, तो असली सबसे व्यस्त घंटा शाम 6 बजे निकला। अपने डेटा के पूरे रास्ते (पाइपलाइन) को जाँचना किसी भी चार्ट से ज़्यादा ज़रूरी है।
