Dane Sejf ty Seattle

Zgłoszenia na numer 911 straży pożarnej miasta Seattle.

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.

Wolumin i przechowywanie

Ten zestaw danych jest przechowywany w formacie Parquet. Jest aktualizowany codziennie i zawiera około 800 000 wierszy (20 MB) w 2019 roku.

Ten zestaw danych zawiera historyczne rekordy od roku 2010. 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 lokalizowanie zasobów obliczeniowych w regionie Wschodnie stany USA pod kątem koligacji.

Dodatkowe informacje

Ten zestaw danych jest pozyskiwany od władz miasta Seattle. Aby uzyskać więcej informacji, zobacz witrynę internetową miasta Seattle. Wyświetl licencjonowanie i przypisywanie autorstwa dotyczące warunków korzystania z tego zestawu danych. Jeśli masz pytania dotyczące tego zestawu danych, napisz wiadomość e-mail na adres open.data@seattle.gov.

Kolumny

Nazwisko	Typ danych	Unikatowe	Wartości (przykładowe)	opis
adres	string	196,965	517 3 Av 318 2 av Et S	Lokalizacja zdarzenia.
category	string	232	Reagowanie na pomoc medyka	Typ odpowiedzi.
dataSubtype	string	1	911_Fire	"911_Fire"
Datatype	string	1	Bezpieczeństwo	"Sejf ty"
Data i godzina	timestamp	1,533,401	2020-11-04 06:49:00 2019-06-19 13:49:00	Data i czas wezwania.
latitude	double	94,332	47.602172 47.600194	To jest wartość szerokości geograficznej. Linie szerokości geograficznej biegną równolegle do równika.
długość geograficzna	double	79,492	-122.330863 -122.330541	To jest wartość długości geograficznej. Linie długości geograficznej biegną prostopadle do linii szerokości geograficznej i wszystkie przechodzą przez oba bieguny.

Wersja zapoznawcza

Datatype	dataSubtype	Data i godzina	category	Podkategorii	stan	adres	latitude	długość geograficzna	source	Extendedproperties
Bezpieczeństwo	911_Fire	28.04.2021 5:22:00	Pożar śmieci	null	null	200 University St	47.607299	-122.337087	null
Bezpieczeństwo	911_Fire	28.04.2021 5:15:00	Zdarzenie sklasyfikowane	null	null	6 Ave / Olive Way	47.61313	-122.336282	null
Bezpieczeństwo	911_Fire	28.04.2021 5:12:00	Odpowiedź pomocy	null	null	4 Ave S / Seattle Blvd S	47.596486	-122.329046	null
Bezpieczeństwo	911_Fire	28.04.2021 5:09:00	Pożar śmieci	null	null	3 Ave / Uniwersytet St	47.607763	-122.335976	null
Bezpieczeństwo	911_Fire	28.04.2021 4:57:00	Odpowiedź z małą ilością danych	null	null	533 3 Ave W	47.623717	-122.360635	null
Bezpieczeństwo	911_Fire	28.04.2021 4:57:00	Trans do AMR	null	null	4638 S Austin St	47.534702	-122.274812	null
Bezpieczeństwo	911_Fire	28.04.2021 4:55:00	Zdarzenie sklasyfikowane	null	null	8 Ave N / Harrison St	47.622051	-122.341066	null

Dostęp do danych

Azure Notebooks

azureml-opendatasets

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

from datetime import datetime
from dateutil import parser


end_date = parser.parse('2016-01-01')
start_date = parser.parse('2015-05-01')
safety = SeattleSafety(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=Seattle"

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.

SQL

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 SeattleSafety

from datetime import datetime
from dateutil import parser


end_date = parser.parse('2016-01-01')
start_date = parser.parse('2015-05-01')
safety = SeattleSafety(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=Seattle"
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'))

SQL

Przykład nie jest dostępny dla tej kombinacji platformy/pakietu.

Azure Synapse

azureml-opendatasets

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

from datetime import datetime
from dateutil import parser


end_date = parser.parse('2016-01-01')
start_date = parser.parse('2015-05-01')
safety = SeattleSafety(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=Seattle"
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'))

SQL

SELECT
    TOP 100 *
FROM
    OPENROWSET(
        BULK             'https://azureopendatastorage.blob.core.windows.net/citydatacontainer/Safety/Release/city=Seattle/*.parquet',
        FORMAT         = 'parquet'
    ) AS [r];

Przykłady

• Zobacz przykład city Sejf ty Analytics w witrynie GitHub.

Następne kroki

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