Chapter 4 基本資料統計
透過dplyr套件統計運輸資料是數據分析的第一步，可瞭解運輸供給與需求的概況，並可將大數據轉換為可理解且有意涵的資訊。
4.1 公車資料統計分析
請先利用 TDX 套件介接公車資料（以新竹市為例）：
# 公車路線
bus_route=Bus_Route(access_token, "Hsinchu")
# 公車站牌
bus_stop=Bus_StopOfRoute(access_token, "Hsinchu")
# 公車站間距離
bus_distance=Bus_Distance(access_token, "Hsinchu", bus_route$RouteID)以下藉由各議題展示分析架構與程式碼，針對每一問題先瞭解運輸資料的特性，而後再依據分析邏輯撰寫程式碼。
4.1.1 路線統計分析
公車路線的代碼有兩種，其一為 RouteUID，另一為 SubRouteUID。前者是主路線代碼，後者是子路線代碼，亦即將主路線再依據不同行駛路線（如：延駛、繞駛等）或方向（去程、返程）細部分類不同路線。
§ 統計所有主路線數
先初步觀察bus_route資料可以發現，當中有許多重複的主路線，故不可直接透過資料的列數（row）來判斷主路線數，必須先去除重複的代碼。unique()函式可用以去除一向量中重複的元素，故執行後所回傳的向量僅會是唯一值。若欲計算一向量的總個數，可透過length()回傳長度。程式碼撰寫如下。
## [1] 26試著統計此資料的總子路線數，檢查是否與bus_route總資料筆數相同？
## [1] 54## [1] TRUE由以上結果得知，總子路線數會等於總資料筆數！
§ 統計各主路線擁有的子路線數
由於我們知道一個主路線可能含括多個子路線，若欲統計各主路線擁有的子路線數，可利用group_by() %>% summarise()達成此一目的，程式碼撰寫如下。首先根據 RouteUID 與 RouteName 分組，再統計相同主路線的總資料筆數（n()）。
bus_route_sum=group_by(bus_route, RouteUID, RouteName)%>%
summarise(NumSubRoute=n())
# 查看前六筆結果
head(bus_route_sum)## # A tibble: 6 × 3
## # Groups: RouteUID [6]
## RouteUID RouteName NumSubRoute
## <chr> <chr> <int>
## 1 HSZ0007 81 2
## 2 HSZ0008 83 4
## 3 HSZ0010 藍線1區 1
## 4 HSZ0020 2 4
## 5 HSZ0100 10 2
## 6 HSZ0110 11 2由統計結果可知，RouteUID 為 HSZ0007（路線名為 81）者，其子路線數為 2 條，查看原始bus_route資料，可發現其含括子路線 HSZ000701 與 HSZ000702；又 HSZ0008（路線名為 83）的子路線數共計 4 條，其中包含 HSZ000801、HSZ000802、HSZ0008A1、HSZ0008A2。細部觀察原始資料，可發現 HSZ0007 兩條子路線的 Direction 一個為 0；另一為 1，表示方向不同，子路線即不同。而 HSZ0008 除了因方向不同而有不同子路線外，子路線代碼含括「A1」與「A2」者為延駛或繞駛，亦會使子路線不同。上述皆為 TDX 針對公車路線編碼的標準規範。最後 HSZ0010（路線名為 藍線1區）僅一條子路線，乃因該路線為環狀線（注意：藍線1區公車係由火車站至竹中站後立即折返，故屬於環狀線）。
§ 羅列各主路線含括的子路線
前一案例藉由group_by() %>% summarise()計算總數，事實上此一函式的功能繁多，可透過改變summarise()函式內的操作，以達成目的。如欲整理各主路線含括的子路線代碼與名稱，應將 RouteUID 與 RouteName 作為分群的變項，並在summarise()函式中將所有同一分群者，將其子路線代碼以paste()函式相連。其中paste()函式內，須設定collapse=參數，以表達使用特定的符號或字元串接。依上述流程，程式碼撰寫如下。
bus_route_list=group_by(bus_route, RouteUID, RouteName)%>%
summarise(AllSubRoute=paste(SubRouteUID, collapse=", "))
# 查看前六筆結果
head(bus_route_list)## # A tibble: 6 × 3
## # Groups: RouteUID [6]
## RouteUID RouteName AllSubRoute
## <chr> <chr> <chr>
## 1 HSZ0007 81 HSZ000701, HSZ000702
## 2 HSZ0008 83 HSZ000801, HSZ000802, HSZ0008A1, HSZ0008A2
## 3 HSZ0010 藍線1區 HSZ001001
## 4 HSZ0020 2 HSZ002001, HSZ002002, HSZ0020A1, HSZ0020A2
## 5 HSZ0100 10 HSZ010001, HSZ010002
## 6 HSZ0110 11 HSZ0110A1, HSZ0110A2§ 尋找公車支線
在前述的案例中，我們發現有些公車主路線會有多條子路線，除了因為跟方向有關外，其次則是屬於支線之故，形成繞駛或延駛情形。進一步觀察可以發現，新竹市公車的支線中，其名稱會包含「支」一字。若欲擷取所有支線資料，可藉由grepl()函式先尋找該字元是否存在 SubRouteName 的欄位中，所回傳的邏輯判斷值可用以進一步篩選原始資料。程式碼撰寫如下。
# 利用grepl查看SubRouteName中是否含有「支」字
sub_TF=grepl("支", bus_route$SubRouteName)
# 透過sub_TF的邏輯判斷回傳所需資料
bus_route[sub_TF, c("RouteName", "SubRouteUID", "SubRouteName")]## RouteName SubRouteUID SubRouteName
## 5 83 HSZ0008A1 83支A
## 6 83 HSZ0008A2 83支A
## 10 2 HSZ0020A1 2支A
## 11 2 HSZ0020A2 2支A
## 30 20 HSZ0200A1 20支A
## 33 23 HSZ0230A1 23支A
## 34 23 HSZ0230A2 23支A
## 41 52 HSZ0520A1 52支A#---可直接簡化為：---#
# bus_route[grepl("支", bus_route$SubRouteName), c("RouteName", "SubRouteUID", "SubRouteName")]以上的中括號（[ , ]）內，逗點前表示擷取的橫列（row），逗點後則為擷取的直欄（column），可直接輸入欲回傳的欄列數值或名稱，抑或使用邏輯值（T, F），惟須注意使用邏輯值時，向量長度必須相同！
此外亦可透過filter()函式達成相同結果，程式碼撰寫如下。
4.1.2 站牌統計分析
公車站牌資料中係記錄每一子路線（SubRouteUID）的所有站牌資訊，含括路線名稱、方向、站牌代碼、名稱、站序、經緯度等資訊。
§ 統計各子路線總站牌數
如前述統計各主路線中子路線數量的方法，可利用group_by() %>% summarise()函式達成目的，程式碼撰寫如下。
bus_stop_sum=group_by(bus_stop, SubRouteUID, SubRouteName, Direction)%>%
summarise(StopNum=n())
# 查看前六筆結果
head(bus_stop_sum)## # A tibble: 6 × 4
## # Groups: SubRouteUID, SubRouteName [6]
## SubRouteUID SubRouteName Direction StopNum
## <chr> <chr> <int> <int>
## 1 HSZ000701 81 0 21
## 2 HSZ000702 81 1 20
## 3 HSZ000801 83 0 18
## 4 HSZ000802 83 1 18
## 5 HSZ0008A1 83支A 0 11
## 6 HSZ0008A2 83支A 1 10由以上回傳結果可發現，新竹市 81 公車共有兩條子路線（HSZ000701、HSZ000702），方向分為去程（Direction:0）與返程（Direction:1），而去程站牌數共計 21 個，而返程的站牌數則為 20 個。
§ 整理同一站名的所有路線
分析流程彙整如下：
- Step 1: 從站牌中，先挑出站點名稱（StopName）、子路線名稱（SubRouteName）兩資訊。
- Step 2: 此時，可能會有重複的資料，乃因同一子路線，不同方向的情況下，會存在相同站名（但在此我們不考慮方向性，只單純考慮子路線的名稱）。故必須先行透過
distinct()函式將重複的資料予以去除。
- Step 3: 最後依據站點名稱（StopName）分群，統計各站點擁有的子路線名稱（SubRouteName），及其數量（使用
group_by() %>% summarise()函式）。
- Step 4: 將整理完成的資料依據總子路線數降冪排列（使用
arrange()函式）。
依上述流程，程式碼撰寫如下。
# Step 1
bus_stop_route=select(bus_stop, SubRouteName, StopName)
# Step 2
bus_stop_route=distinct(bus_stop_route)
# Step 3
bus_stop_route=group_by(bus_stop_route, StopName)%>%
summarise(NumSubRoute=n(),
AllSubRoute=paste(SubRouteName, collapse=", "))
# Step 4
bus_stop_route=arrange(bus_stop_route, desc(NumSubRoute))
#---可直接簡化為：---#
# bus_stop_route=select(bus_stop, SubRouteName, StopName)%>%
# distinct()%>%
# group_by(StopName)%>%
# summarise(NumSubRoute=n(),
# AllSubRoute=paste(SubRouteName, collapse=", "))%>%
# arrange(desc(NumSubRoute))
# 查看前六筆資料
head(bus_stop_route)## # A tibble: 6 × 3
## StopName NumSubRoute AllSubRoute
## <chr> <int> <chr>
## 1 火車站 20 藍線1區, 2, 2支A, 10, 11A, 11甲, 12, 藍15區, 藍15區B, 16…
## 2 東門市場 18 藍線1區, 2, 2支A, 10, 11A, 11甲, 12, 藍15區, 藍15區B, 16…
## 3 公園 10 藍線1區, 2, 2支A, 182, 31, 世博5號, 71A, 72, 73, 藍線
## 4 馬偕醫院 10 藍線1區, 2, 2支A, 182, 31, 52, 52支A, 53, 世博5號, 藍線
## 5 文教新村 9 藍線1區, 2, 2支A, 182, 31, 52, 52支A, 世博3號, 藍線
## 6 西門市場 8 10, 11A, 11甲, 20, 20支A, 23支A, 50A, 51A其中 Step 4 的arrange()函式內，設定desc(...)以表示依據指定變數降冪排列，否則預設為升冪排列。
§ 尋找公車環狀線
前文中提及，新竹市公車有些屬於環狀路線，亦即公車的起始站與終點站相同。在公車站牌資料中，可以先萃取各子路線的第一個站點（站序為 1 者）與最後一個站點（同一路線站序為最大者），並檢查起訖站點是否相同。分析邏輯彙整如下：
- Step 1: 先利用
select()函式萃取需要的欄位名稱。
- Step 2: 將公車站牌依據 SubRouteUID 與 SubRouteName 分群，並利用
slice()函式分離出最小站序與最大站序者。
- Step 3: 經過 Step 2 後所得資料僅剩各路線站序為 1 與最大者，在此我們希望兩者能夠並列，以方便比較（使用
dcast()函式可將長資料轉換為寬資料）。 - Step 4: 最後篩選站序為 1 與站序最大之站名為相同者。
# Step 1
bus_route_circle=select(bus_stop, SubRouteUID, SubRouteName, StopSequence, StopName)
# Step 2
bus_route_circle=group_by(bus_route_circle, SubRouteUID, SubRouteName)%>%
slice(which.min(StopSequence),
which.max(StopSequence))
# 初步查看前六筆資料
head(bus_route_circle)## # A tibble: 6 × 4
## # Groups: SubRouteUID, SubRouteName [3]
## SubRouteUID SubRouteName StopSequence StopName
## <chr> <chr> <int> <chr>
## 1 HSZ000701 81 1 古奇峰
## 2 HSZ000701 81 21 新莊車站
## 3 HSZ000702 81 1 新莊車站
## 4 HSZ000702 81 20 古奇峰
## 5 HSZ000801 83 1 成德路
## 6 HSZ000801 83 18 北校門截至 Step 2，可以發現資料中僅剩餘第一站序與最後一站序，其餘皆已刪除，然而接下來我們希望能夠將同一子路線不同站序並排，尚能進一步做分析。首先我們必須針對每一筆資料給定起始站或終點站的標籤，由於起始站的站序必然是 1，故在此我們可以利用簡單的ifelse()函式判斷站序為 1 者為起始站，反之則為終點站，如是即可得到起訖（Stop_O、Stop_D）的標籤。ifelse()函式的參數設定如下：
目前為止，資料型態屬於「長資料（long data）」，亦即資料橫列數比較長的情況。然而我們希望的是將同一路線不同站序展開並排，屬「寬資料（wide data）」，亦即欄位數比較多的情況，此時應利用data.table套件中的dcast()函式達成此一目的。dcast()函式的參數設定如下，如圖4.1之示意圖所示。
圖 4.1: dcast()函式用法
經過處理成為寬資料後，即可針對起訖相同站名者利用filter()函式予以保留。filter()函式之參數設定如下：
# Step 3
bus_route_circle=mutate(bus_route_circle, StopType=ifelse(StopSequence==1, "Stop_O", "Stop_D"))
bus_route_circle=dcast(bus_route_circle, SubRouteUID+SubRouteName ~ StopType, value.var="StopName")
# Step 4
bus_route_circle=filter(bus_route_circle, Stop_O==Stop_D)
#---可直接簡化為：---#
# bus_route_circle=select(bus_stop, SubRouteUID, SubRouteName, StopSequence, StopName)%>%
# group_by(SubRouteUID, SubRouteName)%>%
# slice(which.min(StopSequence),
# which.max(StopSequence))%>%
# mutate(StopType=ifelse(StopSequence==1, "Stop_O", "Stop_D"))%>%
# dcast(SubRouteUID+SubRouteName ~ StopType, value.var="StopName")%>%
# filter(Stop_O==Stop_D)
# 查看所有環狀線資料
bus_route_circle## SubRouteUID SubRouteName Stop_D Stop_O
## 1 HSZ001001 藍線1區 火車站 火車站
## 2 HSZ027001 27 火車站 火車站
## 3 HSZ0500A1 50A 香山區公所 香山區公所
## 4 HSZ0510A1 51A 香山區公所 香山區公所
## 5 HSZ052001 52 新莊車站 新莊車站
## 6 HSZ0520A1 52支A 新莊車站 新莊車站
## 7 HSZ053001 53 新莊車站 新莊車站
## 8 HSZ057301 世博3號 後站(公園路口) 後站(公園路口)
## 9 HSZ0710A1 71A 北新竹後站 北新竹後站由以上回傳資料可知，新竹市公車共計 9 條路線屬於環狀路線。
4.1.3 站間行駛距離計算
公車站間距離資料中係記錄每一子路線（SubRouteUID）相鄰站點間的路線距離，其中 FromStopID 為起點站代碼，ToStopID 為迄點站代碼，StopSequence 為「迄點站」的站序，Distance 即為兩相鄰站點間距離。
§ 計算任意起迄站間距離
公車站間距離資料係記錄兩相鄰站點距離，而非「任意兩站點間」的距離，故必須經過資料處理尚能透過原始資料計算任意起迄站間距離。在給定的一組站點序號，首先必須回傳所有該起迄區間的資料，例如若要尋找新竹市區 81 公車去程（SubRouteUID: HSZ000701）的「陽明交大光復南門」（StopID: 303819）至「科技生活館」（StopID: 303823）站點，我們必須先知道兩站點的序號，並擷取所有介於這兩序號間的公車站點距離資料，最後將 Distance 欄位相加總後即為該區間的行駛距離。
在公車站間距離之原始資料中，請務必注意，StopSequence 為 1 時，路線距離為 0（原始資料記錄為 NA）；StopSequence 為 2 時，路線距離係第 1 站至第 2 站的距離，其他則以此類推。因此若欲計算第 3 站至第 6 站間的距離，必須先行回傳公車站間距離資料中站序為 4 至 6 的資料，如圖4.2之示意圖所示。據上述案例，由第 3 站出發，必須由站序為 4 者始擷取資料，故後續得知起點站序後，務必加 1 以在原始資料中擷取正確區間。
圖 4.2: 公車站間距離資料計算示意圖
回到尋找新竹市區 81 公車去程的「陽明交大光復南門」至「科技生活館」站點之範例，程式碼撰寫如下：
# 先依據路線名稱與站名，尋找起迄站點的站序
sqid_o=filter(bus_stop, SubRouteName=="81", Direction==0, StopName=="陽明交大光復南門")$StopSequence
sqid_d=filter(bus_stop, SubRouteName=="81", Direction==0, StopName=="科技生活館")$StopSequence
# 查看起迄站序
print(c(sqid_o, sqid_d))## [1] 11 15得知站序後，回傳原始資料中該路線且站序介於 sqid_o+1 與 sqid_d 之間者。
# 擷取公車站間距離資料中sqid_o+1至sqid_d的資料
temp=filter(bus_distance, SubRouteName=="81", Direction==0, Sequence>=sqid_o+1, Sequence<=sqid_d)
# 將Distance欄位予以加總
sum(temp$Distance)## [1] 1346.73由上述分析結果得知，81 公車「陽明交大光復南門」至「科技生活館」的路線距離即為 1346.73 公尺。
此外，我們可以將上述的流程打包成一個函式以方便後續查詢，程式碼撰寫如下。
# 建立函式
# 需含括四個參數：子路線名稱（route）、方向（dir）、起點站名（stop_o）、迄點站名（stop_d）
Bus_OD_Dist=function(route, dir, stop_o, stop_d){
sqid_o=filter(bus_stop, SubRouteName==route, Direction==dir, StopName==stop_o)$StopSequence
sqid_d=filter(bus_stop, SubRouteName==route, Direction==dir, StopName==stop_d)$StopSequence
temp=filter(bus_distance, SubRouteName==route, Direction==dir, Sequence>=sqid_o+1, Sequence<=sqid_d)
# 原始資料中少部分資料為NA，為方便概算，在此忽略NA值 (此為資料品質問題！)
dist=sum(temp$Distance, na.rm=T)
return(dist)
}
# 使用函式 (範例1)
Bus_OD_Dist(route="81", dir=0, stop_o="陽明交大光復南門", stop_d="科技生活館")## [1] 1346.73## [1] 1842.72透過上述範例得知，新竹市 81 公車由「清華大學」至「交大光復校區」，路線行駛距離為 1842.72 公尺。