Dane Sejf ty w San Francisco

Wezwania straży pożarnej oraz zgłoszenia na numer 311 w San Francisco.

Uwaga

Firma Microsoft udostępnia zestawy danych Platformy Azure open na zasadzie "tak, jak to jest". Firma Microsoft nie udziela żadnych gwarancji, wyraźnych lub domniemanych, gwarancji ani warunków w odniesieniu do korzystania z zestawów danych. W zakresie dozwolonym zgodnie z prawem lokalnym firma Microsoft nie ponosi odpowiedzialności za wszelkie szkody lub straty, w tym bezpośrednie, wtórne, specjalne, pośrednie, przypadkowe lub karne wynikające z korzystania z zestawów danych.

Zestaw danych jest udostępniany zgodnie z pierwotnymi warunkami, na jakich firma Microsoft otrzymała dane źródłowe. Zestaw danych może zawierać dane pozyskane z firmy Microsoft.

Wezwania straży pożarnej oznaczają wszystkie interwencje jednostek straży pożarnej w odpowiedzi na zgłoszenia. Każdy rekord obejmuje numer wezwania, numer zdarzenia, adres, identyfikator jednostki, rodzaj wezwania i dyspozycję. Ujęte są również wszystkie istotne przedziały czasowe. Ponieważ ten zestaw danych opiera się na odpowiedziach, a na większość wezwań odpowiada wiele jednostek, dane zawierają wiele rekordów dla każdego numeru wezwania. Adresy są skojarzone z numerem bloku, przecięciem lub polem wywołania, a nie określonym adresem.

311 Przypadki obejmują przypadki związane z miejscem lub rzeczą (na przykład parki, ulice lub budynki) i utworzone po 1 lipca 2008 r. Przypadki rejestrowane przez użytkownika dotyczące własnych potrzeb są wykluczone. Na przykład pytania dotyczące podatku od nieruchomości lub działalności gospodarczej, wnioski o zezwolenie na parking itd. Aby uzyskać więcej informacji, zobacz Link do programu.

Wolumin i przechowywanie

Ten zestaw danych jest przechowywany w formacie Parquet. Jest aktualizowany codziennie z około 6M wierszy (400 MB) na rok 2019.

Ten zestaw danych zawiera historyczne rekordy od roku 2015. Aby pobrać dane z konkretnego przedziału czasowego, należy użyć ustawień parametrów w zestawie SDK.

Lokalizacja usługi Storage

Ten zestaw danych jest przechowywany w regionie platformy Azure Wschodnie stany USA. Zalecamy przydzielanie zasobów obliczeniowych w regionie Wschodnie stany USA z uwagi na koligację.

Powiązane zestawy danych

• Połączenia straży pożarnej
• 311 Przypadków

Kolumny

Nazwisko	Typ danych	Unikatowe	Wartości (przykładowe)	opis
adres	string	280,652	Niezwiązane z określonym adresem 0 Blok 6 ST	Adres zdarzenia (uwaga: adres i lokalizacja uogólniona do połowy bloku ulicy, skrzyżowania lub najbliższej lokalizacji skrzynki połączeń, aby chronić prywatność rozmówców).
category	string	108	Street and Sidewalk Cleaning Potencjalnie zagrażające życiu	Zrozumiała dla człowieka nazwa typu zgłoszenia na numer 311 lub grupy typów wezwań straży pożarnej z numeru 911.
dataSubtype	string	2	911_Fire 311_All	"911_Fire" lub "311_All".
Datatype	string	1	Bezpieczeństwo	"Sejf ty"
Data i godzina	timestamp	6,496,563	2020-10-19 12:28:08 2020-07-28 06:40:26	Data i czas zgłoszenia lub wezwania straży pożarnej.
latitude	double	1,615,369	37.777624238929 37.786117211838	Szerokość geograficzna lokalizacji, przy użyciu projekcji WGS84.
długość geograficzna	double	1,554,612	-122.39998111124 -122.419854245692	Długość geograficzna lokalizacji, przy użyciu projekcji WGS84.
source	string	9	Telefon Mobile/Open311	Mechanizm lub ścieżka, za pomocą którego odebrano żądanie obsługi; zazwyczaj "Telefon", "Text/SMS", "Website", "Mobile App", "Twitter" itp., ale terminy mogą się różnić w zależności od systemu.
stan	string	3	Zamknięte otwarte	Jednowyrazowy wskaźnik aktualnego stanu zgłoszenia. (Uwaga: GeoReport V2 zezwala tylko na "otwarte" i "zamknięte")
Podkategorii	string	1,270	Incydent medyczny — zbiorcze elementy	Zrozumiała dla człowieka nazwa podtypu zgłoszenia w przypadku zgłoszeń na numer 311 lub typu wezwania w przypadku wezwań straży pożarnej z numeru 911.

Wersja zapoznawcza

Datatype	dataSubtype	Data i godzina	category	Podkategorii	stan	adres	latitude	długość geograficzna	source	Extendedproperties
Bezpieczeństwo	911_Fire	26.04.2021 2:56:13	Nie zagrażające życiu	Incydent medyczny	null	700 Blok GEARY ST	37.7863607914647	-122.415616900246	null
Bezpieczeństwo	911_Fire	26.04.2021 2:56:13	Nie zagrażające życiu	Incydent medyczny	null	700 Blok GEARY ST	37.7863607914647	-122.415616900246	null
Bezpieczeństwo	911_Fire	26.04.2021 2:54:03	Nie zagrażające życiu	Incydent medyczny	null	0 Blok ESSEX ST	37.7860048266229	-122.395077258809	null
Bezpieczeństwo	911_Fire	26.04.2021 2:54:03	Nie zagrażające życiu	Incydent medyczny	null	0 Blok ESSEX ST	37.7860048266229	-122.395077258809	null
Bezpieczeństwo	911_Fire	26.04.2021 2:52:17	Nie zagrażające życiu	Incydent medyczny	null	700 Blok 29TH AVE	37.7751770865322	-122.488604397217	null
Bezpieczeństwo	911_Fire	26.04.2021 2:50:28	Potencjalnie zagrażające życiu	Incydent medyczny	null	1000 Blok GEARY ST	37.7857350982044	-122.420555240691	null
Bezpieczeństwo	911_Fire	26.04.2021 2:50:28	Potencjalnie zagrażające życiu	Incydent medyczny	null	1000 Blok GEARY ST	37.7857350982044	-122.420555240691	null
Bezpieczeństwo	911_Fire	26.04.2021 2:33:52	Nie zagrażające życiu	Incydent medyczny	null	100 blokÓW	37.767791696654	-122.449332294394	null
Bezpieczeństwo	911_Fire	26.04.2021 2:33:52	Nie zagrażające życiu	Incydent medyczny	null	100 blokÓW	37.767791696654	-122.449332294394	null
Bezpieczeństwo	911_Fire	26.04.2021 2:33:51	Potencjalnie zagrażające życiu	Incydent medyczny	null	100 Blok 6 ST	37.7807920802756	-122.408385745499	null

Dostęp do danych

Azure Notebooks

azureml-opendatasets

# This is a package in preview.
from azureml.opendatasets import NycSafety

from datetime import datetime
from dateutil import parser


end_date = parser.parse('2016-01-01')
start_date = parser.parse('2015-05-01')
safety = NycSafety(start_date=start_date, end_date=end_date)
safety = safety.to_pandas_dataframe()

safety.info()

azure-storage

# Pip install packages
import os, sys

!{sys.executable} -m pip install azure-storage-blob
!{sys.executable} -m pip install pyarrow
!{sys.executable} -m pip install pandas

# Azure storage access info
azure_storage_account_name = "azureopendatastorage"
azure_storage_sas_token = r""
container_name = "citydatacontainer"
folder_name = "Safety/Release/city=NewYorkCity"

from azure.storage.blob import BlockBlobServicefrom azure.storage.blob import BlobServiceClient, BlobClient, ContainerClient

if azure_storage_account_name is None or azure_storage_sas_token is None:
    raise Exception(
        "Provide your specific name and key for your Azure Storage account--see the Prerequisites section earlier.")

print('Looking for the first parquet under the folder ' +
      folder_name + ' in container "' + container_name + '"...')
container_url = f"https://{azure_storage_account_name}.blob.core.windows.net/"
blob_service_client = BlobServiceClient(
    container_url, azure_storage_sas_token if azure_storage_sas_token else None)

container_client = blob_service_client.get_container_client(container_name)
blobs = container_client.list_blobs(folder_name)
sorted_blobs = sorted(list(blobs), key=lambda e: e.name, reverse=True)
targetBlobName = ''
for blob in sorted_blobs:
    if blob.name.startswith(folder_name) and blob.name.endswith('.parquet'):
        targetBlobName = blob.name
        break

print('Target blob to download: ' + targetBlobName)
_, filename = os.path.split(targetBlobName)
blob_client = container_client.get_blob_client(targetBlobName)
with open(filename, 'wb') as local_file:
    blob_client.download_blob().download_to_stream(local_file)

# Read the parquet file into Pandas data frame
import pandas as pd

print('Reading the parquet file into Pandas data frame')
df = pd.read_parquet(filename)

# you can add your filter at below
print('Loaded as a Pandas data frame: ')
df

pyspark

Przykład nie jest dostępny dla tej kombinacji platformy/pakietu.

Azure Databricks

azureml-opendatasets

# 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 NycSafety

from datetime import datetime
from dateutil import parser


end_date = parser.parse('2016-01-01')
start_date = parser.parse('2015-05-01')
safety = NycSafety(start_date=start_date, end_date=end_date)
safety = safety.to_spark_dataframe()

display(safety.limit(5))

azure-storage

Przykład nie jest dostępny dla tej kombinacji platformy/pakietu.

pyspark

# Azure storage access info
blob_account_name = "azureopendatastorage"
blob_container_name = "citydatacontainer"
blob_relative_path = "Safety/Release/city=NewYorkCity"
blob_sas_token = r""

# Allow SPARK to read from Blob remotely
wasbs_path = 'wasbs://%s@%s.blob.core.windows.net/%s' % (blob_container_name, blob_account_name, blob_relative_path)
spark.conf.set(
  'fs.azure.sas.%s.%s.blob.core.windows.net' % (blob_container_name, blob_account_name),
  blob_sas_token)
print('Remote blob path: ' + wasbs_path)

# SPARK read parquet, note that it won't load any data yet by now
df = spark.read.parquet(wasbs_path)
print('Register the DataFrame as a SQL temporary view: source')
df.createOrReplaceTempView('source')

# Display top 10 rows
print('Displaying top 10 rows: ')
display(spark.sql('SELECT * FROM source LIMIT 10'))

Azure Synapse

azureml-opendatasets

# This is a package in preview.
from azureml.opendatasets import NycSafety

from datetime import datetime
from dateutil import parser

end_date = parser.parse('2016-01-01')
start_date = parser.parse('2015-05-01')
safety = NycSafety(start_date=start_date, end_date=end_date)
safety = safety.to_spark_dataframe()

# Display top 5 rows
display(safety.limit(5))

azure-storage

Przykład nie jest dostępny dla tej kombinacji platformy/pakietu.

pyspark

# Azure storage access info
blob_account_name = "azureopendatastorage"
blob_container_name = "citydatacontainer"
blob_relative_path = "Safety/Release/city=NewYorkCity"
blob_sas_token = r""

# Allow SPARK to read from Blob remotely
wasbs_path = 'wasbs://%s@%s.blob.core.windows.net/%s' % (blob_container_name, blob_account_name, blob_relative_path)
spark.conf.set(
  'fs.azure.sas.%s.%s.blob.core.windows.net' % (blob_container_name, blob_account_name),
  blob_sas_token)
print('Remote blob path: ' + wasbs_path)

# SPARK read parquet, note that it won't load any data yet by now
df = spark.read.parquet(wasbs_path)
print('Register the DataFrame as a SQL temporary view: source')
df.createOrReplaceTempView('source')

# Display top 10 rows
print('Displaying top 10 rows: ')
display(spark.sql('SELECT * FROM source LIMIT 10'))

Przykłady

• Zobacz przykład city Sejf ty Analytics w witrynie GitHub.

Następne kroki

Wyświetl pozostałe zestawy danych w katalogu Open Datasets (Otwieranie zestawów danych).