Commission des services de taxis et de limousines de la ville de New York - enregistrements de trajets en taxi vert
Les enregistrements de trajets en taxi vert incluent des champs indiquant les dates et heures de début et fin de trajet, les lieux de départ et d’arrivée, la distance des trajets, les tarifs détaillés, les types de tarifs, les types de paiement et le nombre de passagers signalé par le conducteur.
Notes
Microsoft fournit Azure Open Datasets « en l’état ». Microsoft n’offre aucune garantie, expresse ou implicite, ni de conditions relatives à votre utilisation des jeux de données. Dans la mesure autorisée par votre droit local, Microsoft décline toute responsabilité pour les dommages ou pertes, y compris directs, consécutifs, spéciaux, indirects ou punitifs, résultant de votre utilisation des jeux de données.
Ce jeu de données est fourni selon les conditions initiales par lesquelles Microsoft a reçu les données sources. Le jeu de données peut inclure des données provenant de Microsoft.
Volume et conservation
Ce jeu de données est stocké au format Parquet. Il y a environ 80 millions d’enregistrements (2 Go) en tout depuis 2018.
Ce jeu de données contient les enregistrements historiques accumulés de 2009 à 2018. Vous pouvez utiliser les paramètres de paramétrage de notre SDK pour récupérer les données dans un intervalle de temps spécifique.
Emplacement de stockage
Ce jeu de données est stocké dans la région Azure USA Est. L’allocation de ressources de calcul dans la région USA Est est recommandée à des fins d’affinité.
Informations supplémentaires
Commission des services de taxis et de limousines de la ville de New York (en anglais)
Les données ont été collectées et fournies à la Commission des services de taxis et de limousines de la ville de New York (TLC) par des fournisseurs de technologie agréés dans le cadre du programme d’amélioration du trafic passagers et taxis (TPEP/LPEP). Les données sur les trajets n’ont pas été créées par la TLC et celle-ci ne fait aucune déclaration quant à l’exactitude de ces données.
Affichez l’emplacement du jeu de données d’origine et les conditions d’utilisation d’origine.
Colonnes
| Nom | Type de données | Unique | Valeurs (exemple) | Description |
|---|---|---|---|---|
| doLocationId | string | 264 | 74 42 | Zone de taxi TLC DOLocationID où le compteur a été arrêté. |
| dropoffLatitude | double | 109 721 | 40,7743034362793 40,77431869506836 | Déconseillé depuis juillet 2016 |
| dropoffLongitude | double | 75 502 | -73,95272827148438 -73,95274353027344 | Déconseillé depuis juillet 2016 |
| extra | double | 202 | 0,5 1,0 | Frais et suppléments divers. Actuellement, cela n’inclut que les frais de 0,50 $ et de 1 $ pour les heure de pointe et de nuit. |
| fareAmount | double | 10 367 | 6,0 5,5 | Tarif temps-distance calculé par le compteur. |
| improvementSurcharge | string | 92 | 0,3 0 | Supplément pour l’amélioration de 0,30 $ évalué sur les trajets hélés à une station. Le supplément pour amélioration a commencé à être perçu en 2015. |
| lpepDropoffDatetime | timestamp | 58 100 713 | 22-05-2016 00:00:00 09-05-2016 00:00:00 | Date et heure auxquelles le compteur a été arrêté. |
| lpepPickupDatetime | timestamp | 58 157 349 | 22-10-2013 12:40:36 09-08-2014 15:54:25 | Date et heure auxquelles le compteur a été lancé. |
| mtaTax | double | 34 | 0,5 -0,5 | Taxe de 0,50 USD MTA déclenchée automatiquement en fonction du tarif affiché au compteur. |
| passengerCount | int | 10 | 1 2 | Nombre de passagers dans le véhicule. Cette valeur est entrée par le conducteur. |
| paymentType | int | 5 | 2 1 | Code numérique indiquant comment le passager a payé le trajet. 1 = Carte de crédit 2 = Argent liquide 3 = Aucuns frais 4 = Litige 5 = Inconnu 6 = Voyage annulé |
| pickupLatitude | double | 95 110 | 40,721351623535156 40,721336364746094 | Déconseillé depuis juillet 2016 |
| pickupLongitude | double | 55 722 | -73,84429931640625 -73,84429168701172 | Déconseillé depuis juillet 2016 |
| puLocationId | string | 264 | 74 41 | Zone de taxi TLC où le compteur a été lancé. |
| puMonth | int | 12 | 3 5 | |
| puYear | int | 14 | 2015 2016 | |
| rateCodeID | int | 7 | 1 5 | Code tarifaire final en vigueur à la fin du trajet. 1 = Taux standard 2 = JFK 3 = Newark 4 = Nassau ou Westchester 5 = Prix négocié 6 = Voyage en groupe |
| storeAndFwdFlag | string | 2 | N Y | Cet indicateur indique si l’enregistrement de trajet a été conservé dans la mémoire du véhicule avant son envoi au fournisseur (ce qui s’appelle « stockage et transmission »), car le véhicule n’était pas connecté au serveur. Y = Trajet stockage et transmission N = Pas un trajet stockage et transmission |
| tipAmount | double | 6 206 | 1,0 2,0 | Montant du pourboire - Ce champ est automatiquement renseigné pour les pourboires en carte bancaire. Les pourboires en espèces ne sont pas inclus. |
| tollsAmount | double | 2 150 | 5,54 5,76 | Montant total de tous les péages payés lors du trajet. |
| totalAmount | double | 20 188 | 7,8 6,8 | Montant total facturé aux passagers. N’inclut pas les pourboires. |
| tripDistance | double | 7 060 | 0,9 1,0 | Distance parcourue en miles indiquée par le compteur. |
| tripType | int | 3 | 1 2 | Code indiquant si le trajet a été hélé dans la rue ou s’il s’agit d’une commande automatiquement attribuée en fonction du tarif mesuré utilisé, mais pouvant être modifié par le conducteur. 1 = Héler en rue 2 = Envoyer |
| vendorID | int | 2 | 2 1 | Code indiquant le fournisseur LPEP qui a fourni l’enregistrement. 1 = Creative Mobile Technologies, LLC ; 2 = VeriFone Inc. |
Préversion
| vendorID | lpepPickupDatetime | lpepDropoffDatetime | passengerCount | tripDistance | puLocationId | doLocationId | rateCodeID | storeAndFwdFlag | paymentType | fareAmount | extra | mtaTax | improvementSurcharge | tipAmount | tollsAmount | totalAmount | tripType | puYear | puMonth |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2 | 24/06/2081 5:40:37 PM | 24/06/2081 6:42:47 PM | 1 | 16,95 | 93 | 117 | 1 | N | 1 | 52 | 1 | 0,5 | 0.3 | 0 | 2.16 | 55,96 | 1 | 2081 | 6 |
| 2 | 28/11/2030 12:19:29 AM | 28/11/2030 12:25:37 AM | 1 | 1.08 | 42 | 247 | 1 | N | 2 | 6.5 | 0 | 0,5 | 0.3 | 0 | 0 | 7.3 | 1 | 2030 | 11 |
| 2 | 28/11/2030 12:14:50 AM | 28/11/2030 12:14:54 AM | 1 | 0,03 | 42 | 42 | 5 | N | 2 | 5 | 0 | 0 | 0 | 0 | 0 | 5 | 2 | 2030 | 11 |
| 2 | 14/11/2020 11:38:07 AM | 14/11/2020 11:42:22 AM | 1 | 0,63 | 129 | 129 | 1 | N | 2 | 4.5 | 1 | 0,5 | 0.3 | 0 | 0 | 6.3 | 1 | 2020 | 11 |
| 2 | 14/11/2020 9:55:36 AM | 14/11/2020 10:04:54 AM | 1 | 3.8 | 82 | 138 | 1 | N | 2 | 12.5 | 1 | 0,5 | 0.3 | 0 | 0 | 14.3 | 1 | 2020 | 11 |
| 2 | 26/08/2019 4:18:37 PM | 26/08/2019 4:19:35 PM | 1 | 0 | 264 | 264 | 1 | N | 2 | 1 | 0 | 0,5 | 0.3 | 0 | 0 | 1.8 | 1 | 2019 | 8 |
| 2 | 01/07/2019 8:28:33 AM | 01/07/2019 8:32:33 AM | 1 | 0.71 | 7 | 7 | 1 | N | 1 | 5 | 0 | 0,5 | 0.3 | 1,74 | 0 | 7,54 | 1 | 2019 | 7 |
| 2 | 01/07/2019 12:04:53 AM | 01/07/2019 12:21:56 AM | 1 | 2.71 | 223 | 145 | 1 | N | 2 | 13 | 0,5 | 0,5 | 0.3 | 0 | 0 | 14.3 | 1 | 2019 | 7 |
| 2 | 01/07/2019 12:04:11 AM | 01/07/2019 12:21:15 AM | 1 | 3,14 | 166 | 142 | 1 | N | 2 | 14.5 | 0,5 | 0,5 | 0.3 | 0 | 0 | 18,55 | 1 | 2019 | 7 |
| 2 | 01/07/2019 12:03:37 AM | 01/07/2019 12:09:27 AM | 1 | 0,78 | 74 | 74 | 1 | N | 1 | 6 | 0,5 | 0,5 | 0.3 | 1,46 | 0 | 8,76 | 1 | 2019 | 7 |
Accès aux données
Azure Notebooks
# This is a package in preview.
from azureml.opendatasets import NycTlcGreen
from datetime import datetime
from dateutil import parser
end_date = parser.parse('2018-06-06')
start_date = parser.parse('2018-05-01')
nyc_tlc = NycTlcGreen(start_date=start_date, end_date=end_date)
nyc_tlc_df = nyc_tlc.to_pandas_dataframe()
nyc_tlc_df.info()
Azure Databricks
# This is a package in preview.
# You need to pip install azureml-opendatasets in Databricks cluster. https://learn.microsoft.com/azure/data-explorer/connect-from-databricks#install-the-python-library-on-your-azure-databricks-cluster
from azureml.opendatasets import NycTlcGreen
from datetime import datetime
from dateutil import parser
end_date = parser.parse('2018-06-06')
start_date = parser.parse('2018-05-01')
nyc_tlc = NycTlcGreen(start_date=start_date, end_date=end_date)
nyc_tlc_df = nyc_tlc.to_spark_dataframe()
display(nyc_tlc_df.limit(5))
Azure Synapse
# This is a package in preview.
from azureml.opendatasets import NycTlcGreen
from datetime import datetime
from dateutil import parser
end_date = parser.parse('2018-06-06')
start_date = parser.parse('2018-05-01')
nyc_tlc = NycTlcGreen(start_date=start_date, end_date=end_date)
nyc_tlc_df = nyc_tlc.to_spark_dataframe()
# Display top 5 rows
display(nyc_tlc_df.limit(5))
# Display data statistic information
display(nyc_tlc_df, summary = True)
Étapes suivantes
Consultez les autres jeux de données du catalogue Open Datasets.