Skip to content

Latest commit

 

History

History
9209 lines (7682 loc) · 256 KB

b49f6baed9ba43d4b55fed6533ff0a94.md

File metadata and controls

9209 lines (7682 loc) · 256 KB

Jade Hochschule - Standort Oldenburg
Fachbereich: Bauwesen Geoinformation Gesundheitstechnologie
Studiengang: Geoinformationswissenschaften (M.Sc.)

Raumzeitliche Analyse der Ausbreitung von COVID-19 in Deutschland

Masterprojekt
Wintersemester 2021/22

Erarbeitet von:   Ricarda Sodermanns (6020924), ricarda.sodermanns@student.jade-hs.de
            Nicklas Meyer (6020989), nicklas.meyer@student.jade-hs.de

            Oldenburg, 24. Januar 2022

Prüfer:       Prof. Dr. rer. nat. habil. Roland Pesch

Gliederung

Zur Durchführung des Skripts sollte in der ArcGIS-Enterprise Umgebung ein Ordner mit dem Namen 'Masterprojekt' erstellt werden, da dort zum Teil Ergebnisse abgespeichert werden.

Imports

Import der benötigten Pakete

# Standard
import os
import pandas as pd
import numpy

# ArcGIS (Geofunktonalitäten)
import arcgis
from arcgis.gis import GIS
from arcgis import geoanalytics
from arcgis.features import SpatialDataFrame
from arcgis import features
import arcpy

# Matplotlib (Diagramme)
import matplotlib.pyplot as plt
import matplotlib.dates as mdates
import matplotlib

# Diverses
import zipfile
from copy import deepcopy
from datetime import datetime

arcpy-Workspace

Für die arcpy-Funktionen wird ein Workspace benötigt. Dieser wird im Home-Verzeichnis auf dem ArcGIS-Enterprise angelegt und dort eine Geodatabase zum Speichern der Ergebnisse erzeugt.

home_dir = os.path.join(os.getcwd(), 'home')
if not arcpy.Exists(os.path.join(home_dir, 'Results.gdb')):
    arcpy.CreateFileGDB_management(home_dir, 'Results.gdb')
arcpy.env.workspace = os.path.join(home_dir,'Results.gdb')
results_dir = os.path.join(home_dir,'Results.gdb')

Datenimport

Karte erstellen

Erzeugen einer Karte zur Darstellung der Layerdaten.

gis = GIS(url="https://arcgis.services.fbbgg.hs-woe.de/arcgis")
map = gis.map("Germany")
map
MapView(layout=Layout(height='400px', width='100%'))

Layer: Kreisgrenzen

Einladen der Kreisgrenzen als Polygondaten. Die Daten können direkt aus dem ArcGIS-Hub als Layer-Datei verwendet werden. Verwendet werden die Landkreisdaten des RKI mit Coronadaten, um die zu den Daten passenden Geometrien (Berlin in Stadteile aufgeteilt) sowie Einwohnerzahlen pro Landkreis zu erhalten.

Quelle: Robert Koch-Institut (RKI), dl-de/by-2-0

# Item Added From Toolbar
# Title: RKI Corona Landkreise | Type: Feature Service | Owner: help1@esri
agol_gis = GIS(set_active=False)
kreise = agol_gis.content.get("917fc37a709542548cc3be077a786c17")
kreise
                <div class="item_right"     style="float: none; width: auto; overflow: hidden;">
                    <a href='https://www.arcgis.com/home/item.html?id=917fc37a709542548cc3be077a786c17' target='_blank'><b>RKI Corona Landkreise</b>
                    </a>
                    <br/>Feature Service mit den aktuellen Covid-19 Infektionen pro 100.000 Einwohner auf die deutschen Landkreise.<img src='https://www.arcgis.com/home/js/jsapi/esri/css/images/item_type_icons/featureshosted16.png' style="vertical-align:middle;">Feature Layer Collection by help1@esri
                    <br/>Last Modified: January 12, 2022
                    <br/>0 comments, 1,985,224,456 views
                </div>
            </div>

Diese Daten werden in der zuvor erzeugten Karte dargestellt.

map.add_layer(kreise)

Umwandeln der Layerdaten in ein "spatially-enabled" Dataframe um mit den Daten im Notebook arbeiten zu können und aber die geografischen Informationen beizubehalten.

kreise_df = pd.DataFrame.spatial.from_layer(kreise.layers[0])

Corona-Daten

Einladen der tagesaktuellen Coronadaten für den gesamten Zeitraum. Die Daten können direkt aus dem ArcGIS-Hub als CSV-Datei verwendet werden.

Quelle: Robert Koch-Institut (RKI), dl-de/by-2-0

# Item Added From Toolbar
# Title: RKI_COVID19 | Type: CSV | Owner: help6@esri
agol_gis = GIS(set_active=False)
data = agol_gis.content.get("f10774f1c63e40168479a1feb6c7ca74")
data
                <div class="item_right"     style="float: none; width: auto; overflow: hidden;">
                    <a href='https://www.arcgis.com/home/item.html?id=f10774f1c63e40168479a1feb6c7ca74' target='_blank'><b>RKI_COVID19</b>
                    </a>
                    <br/>CSV mit den aktuellen Covid-19 Infektionen pro Tag (Zeitreihe).<img src='https://www.arcgis.com/home/js/jsapi/esri/css/images/item_type_icons/layers16.png' style="vertical-align:middle;">CSV by help6@esri
                    <br/>Last Modified: January 20, 2022
                    <br/>654 comments, 1,422,637 views
                </div>
            </div>

Umwandeln der CSV-Daten in ein Pandas-Dataframe. Dabei werden die Spalten 'Meldedatum', 'Datenstand' und 'Refdatum' als Datum abgespeichert.

data_csv = data.get_data()
data_df = pd.read_csv(data_csv, parse_dates=['Meldedatum', 'Datenstand', 'Refdatum'])

Datensichtung

Attributtabelle

Sichten des Aufbaus der Corona-Daten durch Ausgabe der Größe, Spalten und Spaltentypen der Daten.

data_df.shape
(3627499, 18)

data_df.columns
Index(['FID', 'IdBundesland', 'Bundesland', 'Landkreis', 'Altersgruppe',
       'Geschlecht', 'AnzahlFall', 'AnzahlTodesfall', 'Meldedatum',
       'IdLandkreis', 'Datenstand', 'NeuerFall', 'NeuerTodesfall', 'Refdatum',
       'NeuGenesen', 'AnzahlGenesen', 'IstErkrankungsbeginn', 'Altersgruppe2'],
      dtype='object')

print(data_df.dtypes)
FID                              int64
IdBundesland                     int64
Bundesland                      object
Landkreis                       object
Altersgruppe                    object
Geschlecht                      object
AnzahlFall                       int64
AnzahlTodesfall                  int64
Meldedatum              datetime64[ns]
IdLandkreis                      int64
Datenstand                      object
NeuerFall                        int64
NeuerTodesfall                   int64
Refdatum                datetime64[ns]
NeuGenesen                       int64
AnzahlGenesen                    int64
IstErkrankungsbeginn             int64
Altersgruppe2                   object
dtype: object

Sichten von Anfang und Ende des Dataframes, um Aufbau der Daten zu überprüfen.

data_df.head()
<style scoped> .dataframe tbody tr th:only-of-type { vertical-align: middle; } 
.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
</style>
FID IdBundesland Bundesland Landkreis Altersgruppe Geschlecht AnzahlFall AnzahlTodesfall Meldedatum IdLandkreis Datenstand NeuerFall NeuerTodesfall Refdatum NeuGenesen AnzahlGenesen IstErkrankungsbeginn Altersgruppe2
0 1 1 Schleswig-Holstein SK Flensburg A00-A04 M 1 0 2020-09-30 1001 20.01.2022, 00:00 Uhr 0 -9 2020-09-30 0 1 0 Nicht übermittelt
1 2 1 Schleswig-Holstein SK Flensburg A00-A04 M 1 0 2020-10-29 1001 20.01.2022, 00:00 Uhr 0 -9 2020-10-29 0 1 0 Nicht übermittelt
2 3 1 Schleswig-Holstein SK Flensburg A00-A04 M 1 0 2020-11-03 1001 20.01.2022, 00:00 Uhr 0 -9 2020-11-03 0 1 0 Nicht übermittelt
3 4 1 Schleswig-Holstein SK Flensburg A00-A04 M 1 0 2020-11-20 1001 20.01.2022, 00:00 Uhr 0 -9 2020-11-19 0 1 1 Nicht übermittelt
4 5 1 Schleswig-Holstein SK Flensburg A00-A04 M 1 0 2020-11-23 1001 20.01.2022, 00:00 Uhr 0 -9 2020-11-18 0 1 1 Nicht übermittelt 
data_df.tail()
<style scoped> .dataframe tbody tr th:only-of-type { vertical-align: middle; } 
.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
</style>
FID IdBundesland Bundesland Landkreis Altersgruppe Geschlecht AnzahlFall AnzahlTodesfall Meldedatum IdLandkreis Datenstand NeuerFall NeuerTodesfall Refdatum NeuGenesen AnzahlGenesen IstErkrankungsbeginn Altersgruppe2
3627494 3627495 16 Thüringen LK Altenburger Land A60-A79 W 1 0 2020-04-22 16077 20.01.2022, 00:00 Uhr 0 -9 2020-04-17 0 1 1 Nicht übermittelt
3627495 3627496 16 Thüringen LK Altenburger Land A60-A79 W 1 0 2020-05-18 16077 20.01.2022, 00:00 Uhr 0 -9 2020-05-14 0 1 1 Nicht übermittelt
3627496 3627497 16 Thüringen LK Altenburger Land A60-A79 W 1 0 2020-05-27 16077 20.01.2022, 00:00 Uhr 0 -9 2020-05-27 0 1 0 Nicht übermittelt
3627497 3627498 16 Thüringen LK Altenburger Land A60-A79 W 1 0 2020-09-12 16077 20.01.2022, 00:00 Uhr 0 -9 2020-09-08 0 1 1 Nicht übermittelt
3627498 3627499 16 Thüringen LK Altenburger Land A60-A79 W 1 0 2020-10-09 16077 20.01.2022, 00:00 Uhr 0 -9 2020-10-09 0 1 0 Nicht übermittelt

Datenvorbereitung

Coronadaten

Aggregieren nach Tag und Landkreis

Da in der folgenden Analyse nicht auf Alter und Geschlecht der Personen eingegangen wird, wird durch eine Aggregation der Daten nur ein Eintrag pro Tag mit der Anzahl der Fälle, Todesfälle und Genesenen erzeugt. Im Zuge dessen werden nur die für die weitere Analyse wichtigen Spalten in das neue Dataframe überführt. Außerdem wird die Landkreis-ID auch als fünf-stelliger String abgelegt.

data_df_aggr = data_df[['IdBundesland','Bundesland','IdLandkreis','Landkreis','Meldedatum','AnzahlFall','AnzahlTodesfall','AnzahlGenesen']].groupby(['IdBundesland','Bundesland','IdLandkreis','Landkreis','Meldedatum']).sum()
data_df_aggr.reset_index(inplace = True, drop = False)
data_df_aggr['IdLandkreis_str'] = data_df_aggr['IdLandkreis'].astype(str).str.zfill(5)
data_df_aggr.head()
<style scoped> .dataframe tbody tr th:only-of-type { vertical-align: middle; } 
.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
</style>
IdBundesland Bundesland IdLandkreis Landkreis Meldedatum AnzahlFall AnzahlTodesfall AnzahlGenesen IdLandkreis_str
0 1 Schleswig-Holstein 1001 SK Flensburg 2020-03-14 4 0 4 01001
1 1 Schleswig-Holstein 1001 SK Flensburg 2020-03-18 2 0 2 01001
2 1 Schleswig-Holstein 1001 SK Flensburg 2020-03-19 4 0 4 01001
3 1 Schleswig-Holstein 1001 SK Flensburg 2020-03-20 2 0 2 01001
4 1 Schleswig-Holstein 1001 SK Flensburg 2020-03-21 1 0 1 01001

Kreise

AGS in Berliner Bezirke

Berlin ist in den Coronadaten in zwölf Bezirke aufgeteilt. Die Polygondaten dazu liegen vor, allerdings ist dort der allgemeine Gemeindeschlüssel (AGS), der später zur Verbindung der Daten als Landkreis-ID dient, nicht vorhanden. Der dafür benötigte Schlüssel liegt in den Daten aber als Regionalschlüssel (RS) vor uns wird in den betreffenden Bezirken nun in die Spalte 'AGS' übertragen.

for index, kreis in kreise_df.loc[kreise_df['AGS'].isnull()].iterrows():
    kreise_df.at[index, 'AGS'] = kreise_df.at[index, 'RS']
kreise_df.loc[kreise_df['BL_ID'] == '11']
<style scoped> .dataframe tbody tr th:only-of-type { vertical-align: middle; } 
.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
</style>
OBJECTID ADE GF BSG RS AGS SDV_RS GEN BEZ IBZ ... recovered EWZ_BL cases7_bl_per_100k cases7_bl death7_bl cases7_lk death7_lk cases7_per_100k_txt AdmUnitId SHAPE
399 404 NaN NaN NaN 11012 11012 None Berlin Reinickendorf Bezirk NaN ... None 3664088 1154.202628 42291 2 2477 1 953,7 11012 {"rings": [[[792389.254807112, 5839502.6115011...
400 405 NaN NaN NaN 11004 11004 None Berlin Charlottenburg-Wilmersdorf Bezirk NaN ... None 3664088 1154.202628 42291 2 3426 0 1083,4 11004 {"rings": [[[793095.198362989, 5828151.5797928...
401 406 NaN NaN NaN 11009 11009 None Berlin Treptow-Köpenick Bezirk NaN ... None 3664088 1154.202628 42291 2 2697 0 987,9 11009 {"rings": [[[811538.542027648, 5814380.5558578...
402 407 NaN NaN NaN 11003 11003 None Berlin Pankow Bezirk NaN ... None 3664088 1154.202628 42291 2 4399 0 1088,4 11003 {"rings": [[[804887.108273519, 5839487.9793484...
403 408 NaN NaN NaN 11008 11008 None Berlin Neukölln Bezirk NaN ... None 3664088 1154.202628 42291 2 5166 0 1621,9 11008 {"rings": [[[802663.802804605, 5824408.6609931...
404 409 NaN NaN NaN 11011 11011 None Berlin Lichtenberg Bezirk NaN ... None 3664088 1154.202628 42291 2 3119 1 1068,1 11011 {"rings": [[[807143.217535185, 5823410.5725075...
405 410 NaN NaN NaN 11010 11010 None Berlin Marzahn-Hellersdorf Bezirk NaN ... None 3664088 1154.202628 42291 2 564 0 205,8 11010 {"rings": [[[813266.912876663, 5823563.2786502...
406 411 NaN NaN NaN 11005 11005 None Berlin Spandau Bezirk NaN ... None 3664088 1154.202628 42291 2 3368 0 1407,0 11005 {"rings": [[[786759.034879274, 5831877.2038761...
407 412 NaN NaN NaN 11006 11006 None Berlin Steglitz-Zehlendorf Bezirk NaN ... None 3664088 1154.202628 42291 2 2040 0 698,8 11006 {"rings": [[[793370.529199325, 5821756.8627222...
408 413 NaN NaN NaN 11001 11001 None Berlin Mitte Bezirk NaN ... None 3664088 1154.202628 42291 2 8563 0 2286,0 11001 {"rings": [[[796652.481997282, 5832431.7310471...
409 414 NaN NaN NaN 11002 11002 None Berlin Friedrichshain-Kreuzberg Bezirk NaN ... None 3664088 1154.202628 42291 2 4195 0 1502,5 11002 {"rings": [[[802213.705485233, 5828350.9387527...
410 415 NaN NaN NaN 11007 11007 None Berlin Tempelhof-Schöneberg Bezirk NaN ... None 3664088 1154.202628 42291 2 2277 0 667,2 11007 {"rings": [[[798532.900957422, 5813120.1802016...

12 rows × 48 columns

Geometrie und Daten trennen

Für eine performantere Analyse werden die Geometrie und die restlichen Daten voneinander getrennt.

Endprodukte sind die Kreisgeometrien (kreise_geom) und die Kreisdaten mit den Einwohnerzahlen für den Landkreis (kreise_ewz).

kreise_geom = kreise_df[['AGS', 'SHAPE', 'Shape__Area', 'Shape__Length']]
kreise_geom['AGS_int'] = kreise_geom['AGS'].astype(int)
kreise_ewz = kreise_df[['AGS', 'EWZ', 'EWZ_BL']]
/opt/conda/lib/python3.7/site-packages/ipykernel_launcher.py:2: SettingWithCopyWarning:


A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy

Außerdem werden die Einwohnerzahlen für die einzelnen Bundesländer in einem weiteren Dataframe (bl_ewz) gespeichert.

Dieses Dataframe hat pro Landkreis einen Eintrag. Damit nur noch ein Eintrag pro Bundesland bestehen bleibt, werden die Daten aggregiert (bl_id).

bl_ewz = kreise_df[['BL_ID', 'BL', 'EWZ_BL']]
bl_ewz['BL_ID_str'] = bl_ewz['BL_ID'].astype(str).str.zfill(2)
/opt/conda/lib/python3.7/site-packages/ipykernel_launcher.py:2: SettingWithCopyWarning:


A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy

bl_id = bl_ewz[['BL_ID','BL_ID_str','BL','EWZ_BL']].groupby(['BL_ID','BL_ID_str','BL','EWZ_BL']).sum()
bl_id.reset_index(inplace = True, drop = False)
bl_id.head()
<style scoped> .dataframe tbody tr th:only-of-type { vertical-align: middle; } 
.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
</style>
BL_ID BL_ID_str BL EWZ_BL
0 1 01 Schleswig-Holstein 2910875
1 10 10 Saarland 983991
2 11 11 Berlin 3664088
3 12 12 Brandenburg 2531071
4 13 13 Mecklenburg-Vorpommern 1610774

Join

Die nicht-geometrischen Kreisdaten werden mit den Coronadaten über AGS und die Landkreis-ID verbunden (data_ewz).

data_ewz = pd.merge(kreise_ewz, data_df_aggr, left_on='AGS', right_on="IdLandkreis_str", how='right')
data_ewz.head()
<style scoped> .dataframe tbody tr th:only-of-type { vertical-align: middle; } 
.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
</style>
AGS EWZ EWZ_BL IdBundesland Bundesland IdLandkreis Landkreis Meldedatum AnzahlFall AnzahlTodesfall AnzahlGenesen IdLandkreis_str
0 01001 89934 2910875 1 Schleswig-Holstein 1001 SK Flensburg 2020-03-14 4 0 4 01001
1 01001 89934 2910875 1 Schleswig-Holstein 1001 SK Flensburg 2020-03-18 2 0 2 01001
2 01001 89934 2910875 1 Schleswig-Holstein 1001 SK Flensburg 2020-03-19 4 0 4 01001
3 01001 89934 2910875 1 Schleswig-Holstein 1001 SK Flensburg 2020-03-20 2 0 2 01001
4 01001 89934 2910875 1 Schleswig-Holstein 1001 SK Flensburg 2020-03-21 1 0 1 01001 
kreise_id = data_ewz[['IdLandkreis','IdLandkreis_str','Landkreis','EWZ','IdBundesland','Bundesland','EWZ_BL']].groupby(['IdLandkreis','IdLandkreis_str','Landkreis','EWZ','IdBundesland','Bundesland','EWZ_BL']).sum()
kreise_id.reset_index(inplace = True, drop = False)
kreise_id.head()
<style scoped> .dataframe tbody tr th:only-of-type { vertical-align: middle; } 
.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
</style>
IdLandkreis IdLandkreis_str Landkreis EWZ IdBundesland Bundesland EWZ_BL
0 1001 01001 SK Flensburg 89934 1 Schleswig-Holstein 2910875
1 1002 01002 SK Kiel 246601 1 Schleswig-Holstein 2910875
2 1003 01003 SK Lübeck 215846 1 Schleswig-Holstein 2910875
3 1004 01004 SK Neumünster 79905 1 Schleswig-Holstein 2910875
4 1051 01051 LK Dithmarschen 133251 1 Schleswig-Holstein 2910875

Auf Bundesländer aggregieren

Für eine Auswertung pro Bundesland werden die Daten auf Bundeslandebene aggregiert. Dabei werden alle Landkreisfälle pro Tag aufsummiert.

data_bl = data_ewz[['IdBundesland','Bundesland','Meldedatum','AnzahlFall','AnzahlTodesfall','AnzahlGenesen', 'EWZ_BL']].groupby(['IdBundesland','Bundesland','Meldedatum', 'EWZ_BL']).sum()
data_bl.reset_index(inplace = True, drop = False)
data_bl['IdBundesland_str'] = data_bl['IdBundesland'].astype(str).str.zfill(2)
data_bl.head()
<style scoped> .dataframe tbody tr th:only-of-type { vertical-align: middle; } 
.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
</style>
IdBundesland Bundesland Meldedatum EWZ_BL AnzahlFall AnzahlTodesfall AnzahlGenesen IdBundesland_str
0 1 Schleswig-Holstein 2020-02-28 2910875 1 0 1 01
1 1 Schleswig-Holstein 2020-02-29 2910875 1 0 1 01
2 1 Schleswig-Holstein 2020-03-02 2910875 2 0 2 01
3 1 Schleswig-Holstein 2020-03-03 2910875 1 0 1 01
4 1 Schleswig-Holstein 2020-03-05 2910875 1 0 1 01

Inzidenzberechnung

Für die korrekte Berechnung der 7-Tage Inzidenz wird eine Liste aller Tage als Datum in dem zu betrachtenden Bereich erstellt. Dieser beginnt mit dem frühsten in den Daten auftrenden Fall und endet mit dem Datum des neusten Eintrag.

date_list = pd.date_range(start=min(data_bl['Meldedatum']), end=max(data_bl['Meldedatum']), freq='D')
date_list
DatetimeIndex(['2020-01-02', '2020-01-03', '2020-01-04', '2020-01-05',
               '2020-01-06', '2020-01-07', '2020-01-08', '2020-01-09',
               '2020-01-10', '2020-01-11',
               ...
               '2022-01-10', '2022-01-11', '2022-01-12', '2022-01-13',
               '2022-01-14', '2022-01-15', '2022-01-16', '2022-01-17',
               '2022-01-18', '2022-01-19'],
              dtype='datetime64[ns]', length=749, freq='D')

Außerdem wird ein Dictionary mit 7 Einträgen mit 0.0 benötigt.

values = [0.0,0.0,0.0,0.0,0.0,0.0,0.0] 
dict_clear = dict(zip(range(7), values))
dict_clear
{0: 0.0, 1: 0.0, 2: 0.0, 3: 0.0, 4: 0.0, 5: 0.0, 6: 0.0}

Bundesländer

Bundesländer: Tagesinzidenz berechnen

Für die Inzidenzberechnung wird zunächst die Tagesinzidenz, also Fälle/Todesfälle/Genesenen pro 100.000 Einwohner berechnet. Diese Werte werden als neue Spalte dem Dataframe hinzugefügt.

data_bl['FaelleEWZ'] = (data_bl['AnzahlFall'] / data_bl['EWZ_BL']) * 100000
data_bl['TodesfaelleEWZ'] = (data_bl['AnzahlTodesfall'] / data_bl['EWZ_BL']) * 100000
data_bl['GeneseneEWZ'] = (data_bl['AnzahlGenesen'] / data_bl['EWZ_BL']) * 100000
data_bl.tail()
<style scoped> .dataframe tbody tr th:only-of-type { vertical-align: middle; } 
.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
</style>
IdBundesland Bundesland Meldedatum EWZ_BL AnzahlFall AnzahlTodesfall AnzahlGenesen IdBundesland_str FaelleEWZ TodesfaelleEWZ GeneseneEWZ
10902 16 Thüringen 2022-01-15 2120237 388 0 3 16 18.299841 0.000000 0.141494
10903 16 Thüringen 2022-01-16 2120237 192 0 0 16 9.055591 0.000000 0.000000
10904 16 Thüringen 2022-01-17 2120237 634 1 6 16 29.902318 0.047165 0.282987
10905 16 Thüringen 2022-01-18 2120237 1308 0 10 16 61.691217 0.000000 0.471645
10906 16 Thüringen 2022-01-19 2120237 1198 0 1 16 56.503117 0.000000 0.047165
Bundesländer: 7-Tageinzidenz berechnen

Bei der Berechnung der 7-Tagesinzidenz muss beachtet werden, dass einige Meldedaten (besonders zu Beginn der Pandemie) nicht für alle Bundesländer vorhanden sind, weil dort keine Fälle auftraten oder es Probleme bei der Meldung der Fälle gab. Zunächst werden die drei dafür benötigten Spalten 'FaelleEWZ_7', 'TodesfaelleEWZ_7' und 'GeneseneEWZ_7' angelegt.

Die eigentliche Berechnung erfolgt über geschachtelte Schleifen. Pro Bundesland wird eine Vorlage für einen neuen Listeneintrag angelegt, falls ein neuer Eintrag durch ein fehlendes Meldedatum erstellt werden muss. Außerdem wird für die Fälle, Todesfälle und Genesene je ein Dictionary aus der zuvor angelegten Vorlage erstellt und ein Index angelegt.

Anschließend werden alle Meldedaten aus der zuvor erstellten Liste durchlaufen.

Ist ein Eintrag für den betrachteten Tag vorhanden, dann wird die aktuelle Tagesinzidenz der Fälle/Todesfälle/Genesenen in das jeweilige Dictionary an der Stelle des Tagesindex eingefügt. Außerdem werden die Spalten der 7-Tagesinzidenzen durch die Summe der im Dictionary enthaltenen Werte gefüllt.

Ist für das betrachtete Datum kein Eintrag vorhanden wird 0 in das jeweilige Dictionary an der Stelle des Tagesindex eingefügt. Außerdem wird die erstellte Vorlage mit dem Datum und den 7-Tagesinzidenzen als Summe der im Dictionary enthaltenen Werte gefüllt. Diese Liste wird an eine Liste aller hinzuzufügenden Daten angehängt.

Sind alle Bundesländer und Tage durchlaufen wird die Liste mit den hinzuzufügenden Daten in ein Dataframe umgewandelt und an die Ursprungsdaten angehängt.

data_bl['FaelleEWZ_7'] = 0.0
data_bl['TodesfaelleEWZ_7'] = 0.0
data_bl['GeneseneEWZ_7'] = 0.0

temp_data = []

for index, bl in bl_id.iterrows():

    temp_list = [bl['BL_ID'], bl['BL'],0,bl['EWZ_BL'],0,0,0,bl['BL_ID_str'],0,0,0,0,0,0]

    dict_faelle = deepcopy(dict_clear)
    dict_todesfaelle = deepcopy(dict_clear)
    dict_genesene = deepcopy(dict_clear)
    index_dict = 0

    temp_bl = data_bl.loc[data_bl['IdBundesland_str'] == bl['BL_ID_str']]

    for day in date_list:
        index_day = index_dict%7

        temp = temp_bl.loc[data_bl['Meldedatum'] == day]
        if not temp.empty:
            i = temp.index[0]
            d = data_bl.iloc[i]
            dict_faelle[index_day] = d['FaelleEWZ']
            dict_todesfaelle[index_day] = d['TodesfaelleEWZ']
            dict_genesene[index_day] = d['GeneseneEWZ']

            data_bl.at[i, 'FaelleEWZ_7'] = sum(dict_faelle.values())
            data_bl.at[i, 'TodesfaelleEWZ_7'] = sum(dict_todesfaelle.values())
            data_bl.at[i, 'GeneseneEWZ_7'] = sum(dict_genesene.values())
        else:
            dict_faelle[index_day] = 0
            dict_todesfaelle[index_day] = 0
            dict_genesene[index_day] = 0
            temp_list[2] = day
            temp_list[-3] = sum(dict_faelle.values())
            temp_list[-2] = sum(dict_todesfaelle.values())
            temp_list[-1] = sum(dict_genesene.values())
            temp_data.append(temp_list.copy())

        index_dict += 1

temp_df = pd.DataFrame(temp_data, columns=data_bl.columns)
data_bl = data_bl.append(temp_df, ignore_index=True)

Die ergänzten Daten mit den 7-Tagesinzidenzen werden nun nach Bundesland und Meldedatum sortiert.

data_bl.sort_values(['IdBundesland_str', 'Meldedatum'], inplace = True)
data_bl.reset_index(inplace = True, drop = True)
data_bl.head()
<style scoped> .dataframe tbody tr th:only-of-type { vertical-align: middle; } 
.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
</style>
IdBundesland Bundesland Meldedatum EWZ_BL AnzahlFall AnzahlTodesfall AnzahlGenesen IdBundesland_str FaelleEWZ TodesfaelleEWZ GeneseneEWZ FaelleEWZ_7 TodesfaelleEWZ_7 GeneseneEWZ_7
0 1 Schleswig-Holstein 2020-01-02 2910875 0 0 0 01 0.0 0.0 0.0 0.0 0.0 0.0
1 1 Schleswig-Holstein 2020-01-03 2910875 0 0 0 01 0.0 0.0 0.0 0.0 0.0 0.0
2 1 Schleswig-Holstein 2020-01-04 2910875 0 0 0 01 0.0 0.0 0.0 0.0 0.0 0.0
3 1 Schleswig-Holstein 2020-01-05 2910875 0 0 0 01 0.0 0.0 0.0 0.0 0.0 0.0
4 1 Schleswig-Holstein 2020-01-06 2910875 0 0 0 01 0.0 0.0 0.0 0.0 0.0 0.0

Landkreise

Die Berechnung der 7-Tagesinzidenz für Landkreise funktioniert fast identisch zu der Berechnung der 7-Tagesinzidenz der Bundesländer

Landkreise: Tagesinzidenz berechnen

Für die Inzidenzberechnung wird zunächst die Tagesinzidenz, also Fälle/Todesfälle/Genesenen pro 100.000 Einwohner berechnet. Diese Werte werden als neue Spalte dem Dataframe hinzugefügt.

data_ewz['FaelleEWZ'] = (data_ewz['AnzahlFall'] / data_ewz['EWZ']) * 100000
data_ewz['TodesfaelleEWZ'] = (data_ewz['AnzahlTodesfall'] / data_ewz['EWZ']) * 100000
data_ewz['GeneseneEWZ'] = (data_ewz['AnzahlGenesen'] / data_ewz['EWZ']) * 100000
data_ewz.tail()
<style scoped> .dataframe tbody tr th:only-of-type { vertical-align: middle; } 
.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
</style>
AGS EWZ EWZ_BL IdBundesland Bundesland IdLandkreis Landkreis Meldedatum AnzahlFall AnzahlTodesfall AnzahlGenesen IdLandkreis_str FaelleEWZ TodesfaelleEWZ GeneseneEWZ
223182 16077 88356 2120237 16 Thüringen 16077 LK Altenburger Land 2022-01-14 17 0 0 16077 19.240346 0.0 0.0
223183 16077 88356 2120237 16 Thüringen 16077 LK Altenburger Land 2022-01-15 7 0 0 16077 7.922495 0.0 0.0
223184 16077 88356 2120237 16 Thüringen 16077 LK Altenburger Land 2022-01-17 23 0 0 16077 26.031056 0.0 0.0
223185 16077 88356 2120237 16 Thüringen 16077 LK Altenburger Land 2022-01-18 61 0 0 16077 69.038888 0.0 0.0
223186 16077 88356 2120237 16 Thüringen 16077 LK Altenburger Land 2022-01-19 17 0 0 16077 19.240346 0.0 0.0

Landkreise: 7-Tageinzidenz berechnen

Bei der Berechnung der 7-Tagesinzidenz muss beachtet werden, dass einige Meldedaten (besonders zu Beginn der Pandemie) nicht für alle Landkreise vorhanden sind, weil dort keine Fälle auftraten oder es Probleme bei der Meldung der Fälle gab. Zunächst werden die drei dafür benötigten Spalten 'FaelleEWZ_7', 'TodesfaelleEWZ_7' und 'GeneseneEWZ_7' angelegt.

Die eigentliche Berechnung erfolgt über geschachtelte Schleifen. Pro Landkreis wird eine Vorlage für einen neuen Listeneintrag angelegt, falls ein neuer Eintrag durch ein fehlendes Meldedatum erstellt werden muss. Außerdem wird für die Fälle, Todesfälle und Genesene je ein Dictionary aus der zuvor angelegten Vorlage erstellt und ein Index angelegt.

Anschließend werden alle Meldedaten aus der zuvor erstellten Liste durchlaufen.

Ist ein Eintrag für den betrachteten Tag vorhanden, dann wird die aktuelle Tagesinzidenz der Fälle/Todesfälle/Genesenen in das jeweilige Dictionary an der Stelle des Tagesindex eingefügt. Außerdem werden die Spalten der 7-Tagesinzidenzen durch die Summe der im Dictionary enthaltenen Werte gefüllt.

Ist für das betrachtete Datum kein Eintrag vorhanden wird 0 in das jeweilige Dictionary an der Stelle des Tagesindex eingefügt. Außerdem wird die erstellte Vorlage mit dem Datum und den 7-Tagesinzidenzen als Summe der im Dictionary enthaltenen Werte gefüllt. Diese Liste wird an eine Liste aller hinzuzufügenden Daten angehängt.

Sind alle Landkreise und Tage durchlaufen wird die Liste mit den hinzuzufügenden Daten in ein Dataframe umgewandelt und an die Ursprungsdaten angehängt.

data_ewz['FaelleEWZ_7'] = 0.0
data_ewz['TodesfaelleEWZ_7'] = 0.0
data_ewz['GeneseneEWZ_7'] = 0.0

temp_data = []
bl = 0

for index, kreis in kreise_id.iterrows():

    temp_list = [kreis['IdLandkreis_str'],kreis['EWZ'],kreis['EWZ_BL'],kreis['IdBundesland'],kreis['Bundesland'],kreis['IdLandkreis'],kreis['Landkreis'],0,0,0,0,kreis['IdLandkreis_str'],0,0,0,0,0,0]

    dict_faelle = deepcopy(dict_clear)
    dict_todesfaelle = deepcopy(dict_clear)
    dict_genesene = deepcopy(dict_clear)
    index_dict = 0

    temp_kreis = data_ewz.loc[data_ewz['AGS'] == kreis['IdLandkreis_str']]

    for day in date_list:
        index_day = index_dict%7

        temp = temp_kreis.loc[data_ewz['Meldedatum'] == day]
        if not temp.empty:
            i = temp.index[0]
            d = data_ewz.iloc[i]
            dict_faelle[index_day] = d['FaelleEWZ']
            dict_todesfaelle[index_day] = d['TodesfaelleEWZ']
            dict_genesene[index_day] = d['GeneseneEWZ']

            data_ewz.at[i, 'FaelleEWZ_7'] = sum(dict_faelle.values())
            data_ewz.at[i, 'TodesfaelleEWZ_7'] = sum(dict_todesfaelle.values())
            data_ewz.at[i, 'GeneseneEWZ_7'] = sum(dict_genesene.values())
        else:
            dict_faelle[index_day] = 0
            dict_todesfaelle[index_day] = 0
            dict_genesene[index_day] = 0
            temp_list[7] = day
            temp_list[-3] = sum(dict_faelle.values())
            temp_list[-2] = sum(dict_todesfaelle.values())
            temp_list[-1] = sum(dict_genesene.values())
            temp_data.append(temp_list.copy())

        index_dict += 1
temp_df = pd.DataFrame(temp_data, columns=data_ewz.columns)
data_ewz = data_ewz.append(temp_df, ignore_index=True)

Die ergänzten Daten mit den 7-Tagesinzidenzen werden nun nach Landkreis und Meldedatum sortiert.

data_ewz.sort_values(['IdLandkreis_str', 'Meldedatum'], inplace = True)
data_ewz.reset_index(inplace = True, drop = True)
data_ewz.tail()
<style scoped> .dataframe tbody tr th:only-of-type { vertical-align: middle; } 
.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
</style>
AGS EWZ EWZ_BL IdBundesland Bundesland IdLandkreis Landkreis Meldedatum AnzahlFall AnzahlTodesfall AnzahlGenesen IdLandkreis_str FaelleEWZ TodesfaelleEWZ GeneseneEWZ FaelleEWZ_7 TodesfaelleEWZ_7 GeneseneEWZ_7
307834 16077 88356 2120237 16 Thüringen 16077 LK Altenburger Land 2022-01-15 7 0 0 16077 7.922495 0.0 0.0 149.395627 1.131785 0.0
307835 16077 88356 2120237 16 Thüringen 16077 LK Altenburger Land 2022-01-16 0 0 0 16077 0.000000 0.0 0.0 146.000272 0.000000 0.0
307836 16077 88356 2120237 16 Thüringen 16077 LK Altenburger Land 2022-01-17 23 0 0 16077 26.031056 0.0 0.0 127.891711 0.000000 0.0
307837 16077 88356 2120237 16 Thüringen 16077 LK Altenburger Land 2022-01-18 61 0 0 16077 69.038888 0.0 0.0 164.108832 0.000000 0.0
307838 16077 88356 2120237 16 Thüringen 16077 LK Altenburger Land 2022-01-19 17 0 0 16077 19.240346 0.0 0.0 160.713477 0.000000 0.0

Zwischenspeichern der Landkreisdaten mit 7-Tages-Inzidenz, um eine Neuberechung umgehen zu können.

data_ewz.to_csv('home/data.csv', index=False)
data_ewz = pd.read_csv('home/data.csv', parse_dates=['Meldedatum'], dtype={'AGS': str, 'IdLandkreis_str': str})
data_ewz.tail()
<style scoped> .dataframe tbody tr th:only-of-type { vertical-align: middle; } 
.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
</style>
AGS EWZ EWZ_BL IdBundesland Bundesland IdLandkreis Landkreis Meldedatum AnzahlFall AnzahlTodesfall AnzahlGenesen IdLandkreis_str FaelleEWZ TodesfaelleEWZ GeneseneEWZ FaelleEWZ_7 TodesfaelleEWZ_7 GeneseneEWZ_7
307834 16077 88356 2120237 16 Thüringen 16077 LK Altenburger Land 2022-01-15 7 0 0 16077 7.922495 0.0 0.0 149.395627 1.131785 0.0
307835 16077 88356 2120237 16 Thüringen 16077 LK Altenburger Land 2022-01-16 0 0 0 16077 0.000000 0.0 0.0 146.000272 0.000000 0.0
307836 16077 88356 2120237 16 Thüringen 16077 LK Altenburger Land 2022-01-17 23 0 0 16077 26.031056 0.0 0.0 127.891711 0.000000 0.0
307837 16077 88356 2120237 16 Thüringen 16077 LK Altenburger Land 2022-01-18 61 0 0 16077 69.038888 0.0 0.0 164.108832 0.000000 0.0
307838 16077 88356 2120237 16 Thüringen 16077 LK Altenburger Land 2022-01-19 17 0 0 16077 19.240346 0.0 0.0 160.713477 0.000000 0.0

Analyse

Übersichtskarte

Daten auf Geometrie joinen

Joinen der Daten eines Tages mit den Geometrien, um eine Übersichtskarte erstellen zu können.

data_kreise_day = pd.merge(data_ewz.loc[data_ewz['Meldedatum']=='2021-12-28'], kreise_geom, left_on="IdLandkreis_str", right_on="AGS", how='right')
data_kreise_day.head()
<style scoped> .dataframe tbody tr th:only-of-type { vertical-align: middle; } 
.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
</style>
AGS_x EWZ EWZ_BL IdBundesland Bundesland IdLandkreis Landkreis Meldedatum AnzahlFall AnzahlTodesfall ... TodesfaelleEWZ GeneseneEWZ FaelleEWZ_7 TodesfaelleEWZ_7 GeneseneEWZ_7 AGS_y SHAPE Shape__Area Shape__Length AGS_int
0 01001 89934 2910875 1 Schleswig-Holstein 1001 SK Flensburg 2021-12-28 32 0 ... 0.000000 34.469722 186.803656 0.000000 185.691729 01001 {'rings': [[[526513.752884256, 6075133.4118775... 4.918293e+07 42752.592015 1001
1 01002 246601 2910875 1 Schleswig-Holstein 1002 SK Kiel 2021-12-28 123 0 ... 0.000000 48.661603 165.854964 0.000000 164.232911 01002 {'rings': [[[575841.569494392, 6032148.0317960... 1.122314e+08 104373.457289 1002
2 01003 215846 2910875 1 Schleswig-Holstein 1003 SK Lübeck 2021-12-28 101 0 ... 0.000000 45.866034 102.387814 0.000000 101.461227 01003 {'rings': [[[623056.150596513, 5983746.4452249... 2.116771e+08 146459.457897 1003
3 01004 79905 2910875 1 Schleswig-Holstein 1004 SK Neumünster 2021-12-28 26 0 ... 0.000000 30.035667 163.944684 0.000000 161.441712 01004 {'rings': [[[565015.651588687, 6000637.5134813... 7.140224e+07 54863.995416 1004
4 01051 133251 2910875 1 Schleswig-Holstein 1051 LK Dithmarschen 2021-12-28 91 1 ... 0.750463 64.539853 255.157560 1.500927 243.150145 01051 {'rings': [[[479877.791292057, 5990290.5867080... 1.425511e+09 250768.570200 1051

5 rows × 23 columns

Erstellen eines anzeigbaren Layers für die Karte.

gis = GIS("home")
items = gis.content.search(query ='Corona-Übersicht')
for item in items:
    item.delete()
data_kreise_day_fl = data_kreise_day.spatial.to_featurelayer('Corona-Übersicht', tags=['Corona', 'COVID-19'], folder='Masterprojekt')

In Karte anzeigen

Anzeigen der Karte.

Dabei kann beim ersten Ausführen ein Fehler auftreten. Um diesen zu beheben muss die Zelle einmal mit gis=GIS("home") ausgeführt und die darauffolgende Zeile auskommentiert werden werden. Anschließend kann wieder die erste Zeile auskommentiert werden und die Zelle mit gis=GIS(url="https://arcgis.services.fbbgg.hs-woe.de/arcgis") ausgeführt werden.

#gis = GIS("home")
gis = GIS(url="https://arcgis.services.fbbgg.hs-woe.de/arcgis")
map = gis.map("Germany")
classed_color_renderer =  {"renderer":"ClassedColorRenderer", "field_name":"anzahl_fall" }
map.add_layer(data_kreise_day_fl, classed_color_renderer)
map
MapView(layout=Layout(height='400px', width='100%'))

Verlauf

Um ein Verlaufdiagramm der Fälle/Todesfälle/Genesenen pro Bundesland zu erstellen muss zunächst eine Farbpalette erstellt werden und die Rahmenbedingungen gesetzt werden. Das Enddatum für das Diagramm wird auf den 02.01.2022 gesetzt. Anschließend werden alle Bundesländer nacheinander geplottet. Als letzter Schritt müssen alle Einstellungen des Diagramms gesetzt werden. Das Diagramm wird als PDF exportiert.

Diagramm Fälle

# Vorbereitung
col = {'01':'blue', '02':'dodgerblue', '03':'cyan', '04':'lime', '05':'forestgreen', '06':'yellow', '07':'gold', '08':'darkorange', '09':'saddlebrown', '10':'red', '11':'darkred', '12':'deeppink', '13':'darkmagenta', '14':'mediumorchid', '15':'silver', '16':'midnightblue'}
fig, ax = plt.subplots(figsize=(35,15))
y_max = max(data_bl['FaelleEWZ_7'])
x_min = min(data_bl['Meldedatum'])
x_max = datetime.strptime("02/01/22", '%d/%m/%y')

# Daten
for bl in bl_id['BL_ID_str']:
    plt.plot( data_bl.loc[data_bl['IdBundesland_str'] == bl]['Meldedatum'], data_bl.loc[data_bl['IdBundesland_str'] == bl]['FaelleEWZ_7'], color=col[bl], linewidth=3, label=bl_id.loc[bl_id['BL_ID_str'] == bl]['BL'].item())

# Einstellungen
plt.rc("font", size = 22)
plt.rc("axes", labelsize = 20)
plt.rc("legend", fontsize = 22)

plt.legend(loc='upper left')
plt.xlabel("Meldedatum")
plt.ylabel("COVID-19-Fälle der letzten 7 Tage/100.000 Einwohner")
plt.title("7-Tageinzidenz der COVID-19-Fälle pro Bundesland")
plt.xlim([x_min, x_max])
plt.ylim([0, y_max+10])
plt.xticks(rotation=45, ha='right')

ax.xaxis.set_major_locator(mdates.WeekdayLocator(interval=2))

handles, labels = plt.gca().get_legend_handles_labels()
order = [0,8,9,10,11,12,13,14,15,1,2,3,4,5,6,7]
plt.legend([handles[idx] for idx in order],[labels[idx] for idx in order])

plt.savefig('VerlaufFaelle.pdf')

png

Diagramm Todesfälle

# Vorbereitung
col = {'01':'blue', '02':'dodgerblue', '03':'cyan', '04':'lime', '05':'forestgreen', '06':'yellow', '07':'gold', '08':'darkorange', '09':'saddlebrown', '10':'red', '11':'darkred', '12':'deeppink', '13':'darkmagenta', '14':'mediumorchid', '15':'silver', '16':'midnightblue'}
fig, ax = plt.subplots(figsize=(35,15))
y_max = max(data_bl['TodesfaelleEWZ_7'])
x_min = min(data_bl['Meldedatum'])
x_max = datetime.strptime("02/01/22", '%d/%m/%y')

# Daten
for bl in bl_id['BL_ID_str']:
    plt.plot( data_bl.loc[data_bl['IdBundesland_str'] == bl]['Meldedatum'], data_bl.loc[data_bl['IdBundesland_str'] == bl]['TodesfaelleEWZ_7'], color=col[bl], linewidth=3, label=bl_id.loc[bl_id['BL_ID_str'] == bl]['BL'].item())

# Einstellungen
plt.legend(loc='upper left')
plt.xlabel("Meldedatum der Erkrankung")
plt.ylabel("COVID-19-Todesfälle der letzten 7 Tage/100.000 Einwohner")
plt.title("7-Tageinzidenz der COVID-19-Todesfälle pro Bundesland")
plt.xlim([x_min, x_max])
plt.ylim([0, y_max+0.5])
plt.xticks(rotation=45, ha='right')

ax.xaxis.set_major_locator(mdates.WeekdayLocator(interval=2))

handles, labels = plt.gca().get_legend_handles_labels()
order = [0,8,9,10,11,12,13,14,15,1,2,3,4,5,6,7]
plt.legend([handles[idx] for idx in order],[labels[idx] for idx in order])

plt.savefig('VerlaufTodesfaelle.pdf')

png

Diagramm Genesene

# Vorbereitung
col = {'01':'blue', '02':'dodgerblue', '03':'cyan', '04':'lime', '05':'forestgreen', '06':'yellow', '07':'gold', '08':'darkorange', '09':'saddlebrown', '10':'red', '11':'darkred', '12':'deeppink', '13':'darkmagenta', '14':'mediumorchid', '15':'silver', '16':'midnightblue'}
fig, ax = plt.subplots(figsize=(35,15))
y_max = max(data_bl['GeneseneEWZ_7'])
x_min = min(data_bl['Meldedatum'])
x_max = datetime.strptime("02/01/22", '%d/%m/%y')

# Daten
for bl in bl_id['BL_ID_str']:
    plt.plot( data_bl.loc[data_bl['IdBundesland_str'] == bl]['Meldedatum'], data_bl.loc[data_bl['IdBundesland_str'] == bl]['GeneseneEWZ_7'], color=col[bl], linewidth=3, label=bl_id.loc[bl_id['BL_ID_str'] == bl]['BL'].item())

# Einstellungen
plt.legend(loc='upper left')
plt.xlabel("Meldedatum der Erkrankung")
plt.ylabel("COVID-19-Genesene der letzten 7 Tage/100.000 Einwohner")
plt.title("7-Tageinzidenz der COVID-19-Genesene pro Bundesland")
plt.xlim([x_min, x_max])
plt.ylim([0, y_max+5])
plt.xticks(rotation=45, ha='right')

ax.xaxis.set_major_locator(mdates.WeekdayLocator(interval=2))

handles, labels = plt.gca().get_legend_handles_labels()
order = [0,8,9,10,11,12,13,14,15,1,2,3,4,5,6,7]
plt.legend([handles[idx] for idx in order],[labels[idx] for idx in order]) 

plt.savefig('VerlaufGenesene.pdf')

png

Kartendarstellung der 7-Tage-Inzidenz

Die 7-Tageinzidenz soll für alle vier Wellenhochpunkte dargestellt werden.

    1. Welle: 16.03.2020
    1. Welle: 16.12.2020
    1. Welle: 21.04.2021
    1. Welle: 24.11.2021

Maximum 1. Welle (16.03.2020)

Zunächst müssen die Daten für den Hochpunkt der 1. Welle am 16.03.2020 herausgefiltert und mit den Geometriedaten verknüpft werden.

data_Max1W = data_ewz.loc[data_ewz['Meldedatum']=='2020-03-16']
data_Max1W.head()
<style scoped> .dataframe tbody tr th:only-of-type { vertical-align: middle; } 
.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
</style>
AGS EWZ EWZ_BL IdBundesland Bundesland IdLandkreis Landkreis Meldedatum AnzahlFall AnzahlTodesfall AnzahlGenesen IdLandkreis_str FaelleEWZ TodesfaelleEWZ GeneseneEWZ FaelleEWZ_7 TodesfaelleEWZ_7 GeneseneEWZ_7
74 01001 89934 2910875 1 Schleswig-Holstein 1001 SK Flensburg 2020-03-16 0 0 0 01001 0.000000 0.0 0.000000 4.447706 0.0 4.447706
823 01002 246601 2910875 1 Schleswig-Holstein 1002 SK Kiel 2020-03-16 5 0 5 01002 2.027567 0.0 2.027567 7.299240 0.0 7.299240
1572 01003 215846 2910875 1 Schleswig-Holstein 1003 SK Lübeck 2020-03-16 0 0 0 01003 0.000000 0.0 0.000000 3.706346 0.0 3.706346
2321 01004 79905 2910875 1 Schleswig-Holstein 1004 SK Neumünster 2020-03-16 1 0 1 01004 1.251486 0.0 1.251486 1.251486 0.0 1.251486
3070 01051 133251 2910875 1 Schleswig-Holstein 1051 LK Dithmarschen 2020-03-16 0 0 0 01051 0.000000 0.0 0.000000 3.752317 0.0 3.752317 
data_Max1W_Geom = pd.merge(data_Max1W, kreise_geom, left_on="IdLandkreis_str", right_on="AGS", how='right')
data_Max1W_Geom.head()
<style scoped> .dataframe tbody tr th:only-of-type { vertical-align: middle; } 
.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
</style>
AGS_x EWZ EWZ_BL IdBundesland Bundesland IdLandkreis Landkreis Meldedatum AnzahlFall AnzahlTodesfall ... TodesfaelleEWZ GeneseneEWZ FaelleEWZ_7 TodesfaelleEWZ_7 GeneseneEWZ_7 AGS_y SHAPE Shape__Area Shape__Length AGS_int
0 01001 89934 2910875 1 Schleswig-Holstein 1001 SK Flensburg 2020-03-16 0 0 ... 0.0 0.000000 4.447706 0.0 4.447706 01001 {'rings': [[[526513.752884256, 6075133.4118775... 4.918293e+07 42752.592015 1001
1 01002 246601 2910875 1 Schleswig-Holstein 1002 SK Kiel 2020-03-16 5 0 ... 0.0 2.027567 7.299240 0.0 7.299240 01002 {'rings': [[[575841.569494392, 6032148.0317960... 1.122314e+08 104373.457289 1002
2 01003 215846 2910875 1 Schleswig-Holstein 1003 SK Lübeck 2020-03-16 0 0 ... 0.0 0.000000 3.706346 0.0 3.706346 01003 {'rings': [[[623056.150596513, 5983746.4452249... 2.116771e+08 146459.457897 1003
3 01004 79905 2910875 1 Schleswig-Holstein 1004 SK Neumünster 2020-03-16 1 0 ... 0.0 1.251486 1.251486 0.0 1.251486 01004 {'rings': [[[565015.651588687, 6000637.5134813... 7.140224e+07 54863.995416 1004
4 01051 133251 2910875 1 Schleswig-Holstein 1051 LK Dithmarschen 2020-03-16 0 0 ... 0.0 0.000000 3.752317 0.0 3.752317 01051 {'rings': [[[479877.791292057, 5990290.5867080... 1.425511e+09 250768.570200 1051

5 rows × 23 columns

Um die Daten darstellen zu können muss ein Layer in dem Projektordner erzeugt werden. Damit nicht zu viele Layer mit der Zeit angelegt werden wird ein möglicher zuvor erstellter Layer gelöscht.

gis = GIS("home")
items = gis.content.search(query ='Corona-7Tageinzidenz1W')
for item in items:
    item.delete()
data_Max1W_fl = data_Max1W_Geom.spatial.to_featurelayer('Corona-7Tageinzidenz1W', tags=['Corona', 'COVID-19'], folder='Masterprojekt')

Dieser Layer kann nun in einer Karte angezeigt werden.

gis = GIS(url="https://arcgis.services.fbbgg.hs-woe.de/arcgis")
map_Max1W = gis.map("Germany")
classed_color_renderer =  {"renderer":"ClassedColorRenderer", "field_name":"faelle_ewz_7" }
map_Max1W.add_layer(data_Max1W_fl, classed_color_renderer)
map_Max1W
MapView(layout=Layout(height='400px', width='100%'))

Maximum 2. Welle (16.12.2020)

Zunächst müssen die Daten für den Hochpunkt der 2. Welle am 16.12.2020 herausgefiltert und mit den Geometriedaten verknüpft werden.

data_Max2W = data_ewz.loc[data_ewz['Meldedatum']=='2020-12-16']
data_Max2W.head()
<style scoped> .dataframe tbody tr th:only-of-type { vertical-align: middle; } 
.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
</style>
AGS EWZ EWZ_BL IdBundesland Bundesland IdLandkreis Landkreis Meldedatum AnzahlFall AnzahlTodesfall AnzahlGenesen IdLandkreis_str FaelleEWZ TodesfaelleEWZ GeneseneEWZ FaelleEWZ_7 TodesfaelleEWZ_7 GeneseneEWZ_7
349 01001 89934 2910875 1 Schleswig-Holstein 1001 SK Flensburg 2020-12-16 6 0 6 01001 6.671559 0.000000 6.671559 53.372473 4.447706 48.924767
1098 01002 246601 2910875 1 Schleswig-Holstein 1002 SK Kiel 2020-12-16 65 0 65 01002 26.358368 0.000000 26.358368 115.571307 2.027567 113.543741
1847 01003 215846 2910875 1 Schleswig-Holstein 1003 SK Lübeck 2020-12-16 59 0 59 01003 27.334303 0.000000 27.334303 188.097069 2.316466 185.780603
2596 01004 79905 2910875 1 Schleswig-Holstein 1004 SK Neumünster 2020-12-16 5 0 5 01004 6.257431 0.000000 6.257431 60.071335 1.251486 58.819849
3345 01051 133251 2910875 1 Schleswig-Holstein 1051 LK Dithmarschen 2020-12-16 10 1 9 01051 7.504634 0.750463 6.754171 63.789390 0.750463 63.038927 
data_Max2W_Geom = pd.merge(data_Max2W, kreise_geom, left_on="IdLandkreis_str", right_on="AGS", how='right')
data_Max2W_Geom.head()
<style scoped> .dataframe tbody tr th:only-of-type { vertical-align: middle; } 
.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
</style>
AGS_x EWZ EWZ_BL IdBundesland Bundesland IdLandkreis Landkreis Meldedatum AnzahlFall AnzahlTodesfall ... TodesfaelleEWZ GeneseneEWZ FaelleEWZ_7 TodesfaelleEWZ_7 GeneseneEWZ_7 AGS_y SHAPE Shape__Area Shape__Length AGS_int
0 01001 89934 2910875 1 Schleswig-Holstein 1001 SK Flensburg 2020-12-16 6 0 ... 0.000000 6.671559 53.372473 4.447706 48.924767 01001 {'rings': [[[526513.752884256, 6075133.4118775... 4.918293e+07 42752.592015 1001
1 01002 246601 2910875 1 Schleswig-Holstein 1002 SK Kiel 2020-12-16 65 0 ... 0.000000 26.358368 115.571307 2.027567 113.543741 01002 {'rings': [[[575841.569494392, 6032148.0317960... 1.122314e+08 104373.457289 1002
2 01003 215846 2910875 1 Schleswig-Holstein 1003 SK Lübeck 2020-12-16 59 0 ... 0.000000 27.334303 188.097069 2.316466 185.780603 01003 {'rings': [[[623056.150596513, 5983746.4452249... 2.116771e+08 146459.457897 1003
3 01004 79905 2910875 1 Schleswig-Holstein 1004 SK Neumünster 2020-12-16 5 0 ... 0.000000 6.257431 60.071335 1.251486 58.819849 01004 {'rings': [[[565015.651588687, 6000637.5134813... 7.140224e+07 54863.995416 1004
4 01051 133251 2910875 1 Schleswig-Holstein 1051 LK Dithmarschen 2020-12-16 10 1 ... 0.750463 6.754171 63.789390 0.750463 63.038927 01051 {'rings': [[[479877.791292057, 5990290.5867080... 1.425511e+09 250768.570200 1051

5 rows × 23 columns

Um die Daten darstellen zu können muss ein Layer in dem Projektordner erzeugt werden. Damit nicht zu viele Layer mit der Zeit angelegt werden wird ein möglicher zuvor erstellter Layer gelöscht.

gis = GIS("home")
items = gis.content.search(query ='Corona-7Tageinzidenz2W')
for item in items:
    item.delete()
data_Max2W_fl = data_Max2W_Geom.spatial.to_featurelayer('Corona-7Tageinzidenz2W', tags=['Corona', 'COVID-19'], folder='Masterprojekt')

Dieser Layer kann nun in einer Karte angezeigt werden.

gis = GIS(url="https://arcgis.services.fbbgg.hs-woe.de/arcgis")
map_Max2W = gis.map("Germany")
classed_color_renderer =  {"renderer":"ClassedColorRenderer", "field_name":"faelle_ewz_7" }
map_Max2W.add_layer(data_Max2W_fl, classed_color_renderer)
map_Max2W
MapView(layout=Layout(height='400px', width='100%'))

Maximum 3. Welle (21.04.2021)

Zunächst müssen die Daten für den Hochpunkt der 2. Welle am 21.04.2021 herausgefiltert und mit den Geometriedaten verknüpft werden.

data_Max3W = data_ewz.loc[data_ewz['Meldedatum']=='2021-04-21']
data_Max3W.head()
<style scoped> .dataframe tbody tr th:only-of-type { vertical-align: middle; } 
.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
</style>
AGS EWZ EWZ_BL IdBundesland Bundesland IdLandkreis Landkreis Meldedatum AnzahlFall AnzahlTodesfall AnzahlGenesen IdLandkreis_str FaelleEWZ TodesfaelleEWZ GeneseneEWZ FaelleEWZ_7 TodesfaelleEWZ_7 GeneseneEWZ_7
475 01001 89934 2910875 1 Schleswig-Holstein 1001 SK Flensburg 2021-04-21 10 0 10 01001 11.119265 0.0 11.119265 50.036694 0.0 50.036694
1224 01002 246601 2910875 1 Schleswig-Holstein 1002 SK Kiel 2021-04-21 35 0 35 01002 14.192968 0.0 14.192968 81.913699 0.0 81.913699
1973 01003 215846 2910875 1 Schleswig-Holstein 1003 SK Lübeck 2021-04-21 14 0 14 01003 6.486106 0.0 6.486106 62.544592 0.0 62.544592
2722 01004 79905 2910875 1 Schleswig-Holstein 1004 SK Neumünster 2021-04-21 2 0 2 01004 2.502972 0.0 2.502972 53.813904 0.0 53.813904
3471 01051 133251 2910875 1 Schleswig-Holstein 1051 LK Dithmarschen 2021-04-21 24 0 24 01051 18.011122 0.0 18.011122 68.292170 0.0 68.292170 
data_Max3W_Geom = pd.merge(data_Max3W, kreise_geom, left_on="IdLandkreis_str", right_on="AGS", how='right')
data_Max3W_Geom.head()
<style scoped> .dataframe tbody tr th:only-of-type { vertical-align: middle; } 
.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
</style>
AGS_x EWZ EWZ_BL IdBundesland Bundesland IdLandkreis Landkreis Meldedatum AnzahlFall AnzahlTodesfall ... TodesfaelleEWZ GeneseneEWZ FaelleEWZ_7 TodesfaelleEWZ_7 GeneseneEWZ_7 AGS_y SHAPE Shape__Area Shape__Length AGS_int
0 01001 89934 2910875 1 Schleswig-Holstein 1001 SK Flensburg 2021-04-21 10 0 ... 0.0 11.119265 50.036694 0.0 50.036694 01001 {'rings': [[[526513.752884256, 6075133.4118775... 4.918293e+07 42752.592015 1001
1 01002 246601 2910875 1 Schleswig-Holstein 1002 SK Kiel 2021-04-21 35 0 ... 0.0 14.192968 81.913699 0.0 81.913699 01002 {'rings': [[[575841.569494392, 6032148.0317960... 1.122314e+08 104373.457289 1002
2 01003 215846 2910875 1 Schleswig-Holstein 1003 SK Lübeck 2021-04-21 14 0 ... 0.0 6.486106 62.544592 0.0 62.544592 01003 {'rings': [[[623056.150596513, 5983746.4452249... 2.116771e+08 146459.457897 1003
3 01004 79905 2910875 1 Schleswig-Holstein 1004 SK Neumünster 2021-04-21 2 0 ... 0.0 2.502972 53.813904 0.0 53.813904 01004 {'rings': [[[565015.651588687, 6000637.5134813... 7.140224e+07 54863.995416 1004
4 01051 133251 2910875 1 Schleswig-Holstein 1051 LK Dithmarschen 2021-04-21 24 0 ... 0.0 18.011122 68.292170 0.0 68.292170 01051 {'rings': [[[479877.791292057, 5990290.5867080... 1.425511e+09 250768.570200 1051

5 rows × 23 columns

Um die Daten darstellen zu können muss ein Layer in dem Projektordner erzeugt werden. Damit nicht zu viele Layer mit der Zeit angelegt werden wird ein möglicher zuvor erstellter Layer gelöscht.

gis = GIS("home")
items = gis.content.search(query ='Corona-7Tageinzidenz3W')
for item in items:
    item.delete()
data_Max3W_fl = data_Max3W_Geom.spatial.to_featurelayer('Corona-7Tageinzidenz3W', tags=['Corona', 'COVID-19'], folder='Masterprojekt')

Dieser Layer kann nun in einer Karte angezeigt werden.

gis = GIS(url="https://arcgis.services.fbbgg.hs-woe.de/arcgis")
map_Max3W = gis.map("Germany")
classed_color_renderer =  {"renderer":"ClassedColorRenderer", "field_name":"faelle_ewz_7" }
map_Max3W.add_layer(data_Max3W_fl, classed_color_renderer)
map_Max3W
MapView(layout=Layout(height='400px', width='100%'))

Maximum 4. Welle (24.11.2021)

Zunächst müssen die Daten für den Hochpunkt der 4. Welle am 24.11.2021 herausgefiltert und mit den Geometriedaten verknüpft werden.

data_Max4W = data_ewz.loc[data_ewz['Meldedatum']=='2021-11-24']
data_Max4W.head()
<style scoped> .dataframe tbody tr th:only-of-type { vertical-align: middle; } 
.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
</style>
AGS EWZ EWZ_BL IdBundesland Bundesland IdLandkreis Landkreis Meldedatum AnzahlFall AnzahlTodesfall AnzahlGenesen IdLandkreis_str FaelleEWZ TodesfaelleEWZ GeneseneEWZ FaelleEWZ_7 TodesfaelleEWZ_7 GeneseneEWZ_7
692 01001 89934 2910875 1 Schleswig-Holstein 1001 SK Flensburg 2021-11-24 24 0 24 01001 26.686237 0.0 26.686237 150.110081 4.447706 145.662375
1441 01002 246601 2910875 1 Schleswig-Holstein 1002 SK Kiel 2021-11-24 73 0 73 01002 29.602475 0.0 29.602475 140.307622 0.405513 139.902109
2190 01003 215846 2910875 1 Schleswig-Holstein 1003 SK Lübeck 2021-11-24 79 0 79 01003 36.600169 0.0 36.600169 166.785579 0.463293 166.322285
2939 01004 79905 2910875 1 Schleswig-Holstein 1004 SK Neumünster 2021-11-24 42 0 42 01004 52.562418 0.0 52.562418 202.740755 1.251486 201.489269
3688 01051 133251 2910875 1 Schleswig-Holstein 1051 LK Dithmarschen 2021-11-24 19 0 19 01051 14.258805 0.0 14.258805 93.807926 0.000000 93.807926 
data_Max4W_Geom = pd.merge(data_Max4W, kreise_geom, left_on="IdLandkreis_str", right_on="AGS", how='right')
data_Max4W_Geom.head()
<style scoped> .dataframe tbody tr th:only-of-type { vertical-align: middle; } 
.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
</style>
AGS_x EWZ EWZ_BL IdBundesland Bundesland IdLandkreis Landkreis Meldedatum AnzahlFall AnzahlTodesfall ... TodesfaelleEWZ GeneseneEWZ FaelleEWZ_7 TodesfaelleEWZ_7 GeneseneEWZ_7 AGS_y SHAPE Shape__Area Shape__Length AGS_int
0 01001 89934 2910875 1 Schleswig-Holstein 1001 SK Flensburg 2021-11-24 24 0 ... 0.0 26.686237 150.110081 4.447706 145.662375 01001 {'rings': [[[526513.752884256, 6075133.4118775... 4.918293e+07 42752.592015 1001
1 01002 246601 2910875 1 Schleswig-Holstein 1002 SK Kiel 2021-11-24 73 0 ... 0.0 29.602475 140.307622 0.405513 139.902109 01002 {'rings': [[[575841.569494392, 6032148.0317960... 1.122314e+08 104373.457289 1002
2 01003 215846 2910875 1 Schleswig-Holstein 1003 SK Lübeck 2021-11-24 79 0 ... 0.0 36.600169 166.785579 0.463293 166.322285 01003 {'rings': [[[623056.150596513, 5983746.4452249... 2.116771e+08 146459.457897 1003
3 01004 79905 2910875 1 Schleswig-Holstein 1004 SK Neumünster 2021-11-24 42 0 ... 0.0 52.562418 202.740755 1.251486 201.489269 01004 {'rings': [[[565015.651588687, 6000637.5134813... 7.140224e+07 54863.995416 1004
4 01051 133251 2910875 1 Schleswig-Holstein 1051 LK Dithmarschen 2021-11-24 19 0 ... 0.0 14.258805 93.807926 0.000000 93.807926 01051 {'rings': [[[479877.791292057, 5990290.5867080... 1.425511e+09 250768.570200 1051

5 rows × 23 columns

Um die Daten darstellen zu können muss ein Layer in dem Projektordner erzeugt werden. Damit nicht zu viele Layer mit der Zeit angelegt werden wird ein möglicher zuvor erstellter Layer gelöscht.

gis = GIS("home")
items = gis.content.search(query ='Corona-7Tageinzidenz4W')
for item in items:
    item.delete()
data_Max4W_fl = data_Max4W_Geom.spatial.to_featurelayer('Corona-7Tageinzidenz4W', tags=['Corona', 'COVID-19'], folder='Masterprojekt')

Dieser Layer kann nun in einer Karte angezeigt werden.

gis = GIS(url="https://arcgis.services.fbbgg.hs-woe.de/arcgis")
map_Max4W = gis.map("Germany")
classed_color_renderer =  {"renderer":"ClassedColorRenderer", "field_name":"faelle_ewz_7" }
map_Max4W.add_layer(data_Max4W_fl, classed_color_renderer)
map_Max4W
MapView(layout=Layout(height='400px', width='100%'))

HotSpot-Analyse

Es soll eine Hot Spot-Analyse für alle vier Wellenhochpunkte durchgeführt werden.

    1. Welle: 16.03.2020
    1. Welle: 16.12.2020
    1. Welle: 21.04.2021
    1. Welle: 24.11.2021

Eine Erklärung des Werkzeugs von ArcGIS ist unter diesem Link zu finden: https://developers.arcgis.com/python/api-reference/arcgis.features.analyze_patterns.html#find-hot-spots

Maximum 1. Welle (16.03.2020)

Auch hier wird bei der Analyse ein Layer erzeugt. Damit nicht zu viele Layer mit der Zeit angelegt werden wird ein möglicher zuvor erstellter Layer gelöscht.

Nach der Durchführung der Hot Spot-Analyse über arcgis.features.analyze_patterns.find_hot_spots() wird der Ergebnislayer noch in den Projektordner verschoben.

gis = GIS("home")
items = gis.content.search(query ='HotSpot_1W')
for item in items:
    item.delete()
hotspot_1W = arcgis.features.analyze_patterns.find_hot_spots(data_Max1W_fl, analysis_field="faelle_ewz_7", output_name="HotSpot_1W", distance_band=None, distance_band_unit=None)
hotspot_1W.move('Masterprojekt')
{'success': True,
 'itemId': 'ee8798280ab24aa0a1fd86222011089f',
 'owner': 'ni2758',
 'folder': '352ee0cfa24142e5acf961c3c4dbd256'}

Dieser Layer kann nun in einer Karte angezeigt werden.

gis = GIS(url="https://arcgis.services.fbbgg.hs-woe.de/arcgis")
map_HS_1W = gis.map("Germany")
map_HS_1W.add_layer(hotspot_1W)
map_HS_1W
MapView(layout=Layout(height='400px', width='100%'))

Maximum 2. Welle (16.12.2020)

Auch hier wird bei der Analyse ein Layer erzeugt. Damit nicht zu viele Layer mit der Zeit angelegt werden wird ein möglicher zuvor erstellter Layer gelöscht.

Nach der Durchführung der Hot Spot-Analyse über arcgis.features.analyze_patterns.find_hot_spots() wird der Ergebnislayer noch in den Projektordner verschoben.

gis = GIS("home")
items = gis.content.search(query ='HotSpot_2W')
for item in items:
    item.delete()
hotspot_2W = arcgis.features.analyze_patterns.find_hot_spots(data_Max2W_fl, analysis_field="faelle_ewz_7", output_name="HotSpot_2W", distance_band=None, distance_band_unit=None)
hotspot_2W.move('Masterprojekt')
{'success': True,
 'itemId': '007a0ce24ac941039dc0d7abfdeba27e',
 'owner': 'ni2758',
 'folder': '352ee0cfa24142e5acf961c3c4dbd256'}

Dieser Layer kann nun in einer Karte angezeigt werden.

gis = GIS(url="https://arcgis.services.fbbgg.hs-woe.de/arcgis")
map_HS_2W = gis.map("Germany")
map_HS_2W.add_layer(hotspot_2W)
map_HS_2W
MapView(layout=Layout(height='400px', width='100%'))

Maximum 3. Welle (21.04.2021)

Auch hier wird bei der Analyse ein Layer erzeugt. Damit nicht zu viele Layer mit der Zeit angelegt werden wird ein möglicher zuvor erstellter Layer gelöscht.

Nach der Durchführung der Hot Spot-Analyse über arcgis.features.analyze_patterns.find_hot_spots() wird der Ergebnislayer noch in den Projektordner verschoben.

gis = GIS("home")
items = gis.content.search(query ='HotSpot_3W')
for item in items:
    item.delete()
hotspot_3W = arcgis.features.analyze_patterns.find_hot_spots(data_Max3W_fl, analysis_field="faelle_ewz_7", output_name="HotSpot_3W", distance_band=None, distance_band_unit=None)
hotspot_3W.move('Masterprojekt')
{'success': True,
 'itemId': '6e4db6699f774e9abe2cf405aa26ae5f',
 'owner': 'ni2758',
 'folder': '352ee0cfa24142e5acf961c3c4dbd256'}

Dieser Layer kann nun in einer Karte angezeigt werden.

gis = GIS(url="https://arcgis.services.fbbgg.hs-woe.de/arcgis")
map_HS_3W = gis.map("Germany")
map_HS_3W.add_layer(hotspot_3W)
map_HS_3W
MapView(layout=Layout(height='400px', width='100%'))

Maximum 4. Welle (24.11.2021)

Auch hier wird bei der Analyse ein Layer erzeugt. Damit nicht zu viele Layer mit der Zeit angelegt werden wird ein möglicher zuvor erstellter Layer gelöscht.

Nach der Durchführung der Hot Spot-Analyse über arcgis.features.analyze_patterns.find_hot_spots() wird der Ergebnislayer noch in den Projektordner verschoben.

gis = GIS("home")
items = gis.content.search(query ='HotSpot_4W')
for item in items:
    item.delete()
hotspot_4W = arcgis.features.analyze_patterns.find_hot_spots(data_Max4W_fl, analysis_field="faelle_ewz_7", output_name="HotSpot_4W", distance_band=None, distance_band_unit=None)
hotspot_4W.move('Masterprojekt')
{'success': True,
 'itemId': '389537c2ce774f75a36dfbd804043182',
 'owner': 'ni2758',
 'folder': '352ee0cfa24142e5acf961c3c4dbd256'}

Dieser Layer kann nun in einer Karte angezeigt werden.

gis = GIS(url="https://arcgis.services.fbbgg.hs-woe.de/arcgis")
map_HS_4W = gis.map("Germany")
map_HS_4W.add_layer(hotspot_4W)
map_HS_4W
MapView(layout=Layout(height='400px', width='100%'))

Ausreißer-Analyse

Es soll eine Ausreißer-Analyse für alle vier Wellenhochpunkte durchgeführt werden.

    1. Welle: 16.03.2020
    1. Welle: 16.12.2020
    1. Welle: 21.04.2021
    1. Welle: 24.11.2021

1. Welle (16.03.2020)

Auch hier wird bei der Analyse ein Layer erzeugt. Damit nicht zu viele Layer mit der Zeit angelegt werden wird ein möglicher zuvor erstellter Layer gelöscht.

Nach der Durchführung der Ausreißer-Analyse über arcgis.features.analyze_patterns.find_outliers() wird der Ergebnislayer noch in den Projektordner verschoben.

gis = GIS("home")
items = gis.content.search(query ='Outliers_1W')
for item in items:
    item.delete()
outliers_1W_Res = arcgis.features.analyze_patterns.find_outliers(data_Max1W_fl, analysis_field="faelle_ewz_7", output_name="Outliers_1W")
outliers_1W = outliers_1W_Res['outliers_result_layer']
outliers_1W.move('Masterprojekt')
{'success': True,
 'itemId': 'a5d1c99eeb01408ebf6f8d78a3bc5b15',
 'owner': 'ni2758',
 'folder': '352ee0cfa24142e5acf961c3c4dbd256'}

Dieser Layer kann nun in einer Karte angezeigt werden.

gis = GIS(url="https://arcgis.services.fbbgg.hs-woe.de/arcgis")
map_Out_1W = gis.map("Germany")
map_Out_1W.add_layer(outliers_1W)
map_Out_1W
MapView(layout=Layout(height='400px', width='100%'))

2. Welle (16.12.2020)

Auch hier wird bei der Analyse ein Layer erzeugt. Damit nicht zu viele Layer mit der Zeit angelegt werden wird ein möglicher zuvor erstellter Layer gelöscht.

Nach der Durchführung der Ausreißer-Analyse über arcgis.features.analyze_patterns.find_outliers() wird der Ergebnislayer noch in den Projektordner verschoben.

gis = GIS("home")
items = gis.content.search(query ='Outliers_2W')
for item in items:
    item.delete()
outliers_2W_Res = arcgis.features.analyze_patterns.find_outliers(data_Max2W_fl, analysis_field="faelle_ewz_7", output_name="Outliers_2W")
outliers_2W = outliers_2W_Res['outliers_result_layer']
outliers_2W.move('Masterprojekt')
{'success': True,
 'itemId': '79fa7d71c6064d5eb70efd07251c3e34',
 'owner': 'ni2758',
 'folder': '352ee0cfa24142e5acf961c3c4dbd256'}

Dieser Layer kann nun in einer Karte angezeigt werden.

gis = GIS(url="https://arcgis.services.fbbgg.hs-woe.de/arcgis")
map_Out_2W = gis.map("Germany")
map_Out_2W.add_layer(outliers_2W)
map_Out_2W
MapView(layout=Layout(height='400px', width='100%'))

3. Welle (21.04.2021)

Auch hier wird bei der Analyse ein Layer erzeugt. Damit nicht zu viele Layer mit der Zeit angelegt werden wird ein möglicher zuvor erstellter Layer gelöscht.

Nach der Durchführung der Ausreißer-Analyse über arcgis.features.analyze_patterns.find_outliers() wird der Ergebnislayer noch in den Projektordner verschoben.

gis = GIS("home")
items = gis.content.search(query ='Outliers_3W')
for item in items:
    item.delete()
outliers_3W_Res = arcgis.features.analyze_patterns.find_outliers(data_Max3W_fl, analysis_field="faelle_ewz_7", output_name="Outliers_3W")
outliers_3W = outliers_3W_Res['outliers_result_layer']
outliers_3W.move('Masterprojekt')
{'success': True,
 'itemId': '34d4cde5e9614bd2a7c564e66c87fb86',
 'owner': 'ni2758',
 'folder': '352ee0cfa24142e5acf961c3c4dbd256'}

Dieser Layer kann nun in einer Karte angezeigt werden.

gis = GIS(url="https://arcgis.services.fbbgg.hs-woe.de/arcgis")
map_Out_3W = gis.map("Germany")
map_Out_3W.add_layer(outliers_3W)
map_Out_3W
MapView(layout=Layout(height='400px', width='100%'))

4. Welle (24.11.2021)

Auch hier wird bei der Analyse ein Layer erzeugt. Damit nicht zu viele Layer mit der Zeit angelegt werden wird ein möglicher zuvor erstellter Layer gelöscht.

Nach der Durchführung der Ausreißer-Analyse über arcgis.features.analyze_patterns.find_outliers() wird der Ergebnislayer noch in den Projektordner verschoben.

gis = GIS("home")
items = gis.content.search(query ='Outliers_4W')
for item in items:
    item.delete()
outliers_4W_Res = arcgis.features.analyze_patterns.find_outliers(data_Max4W_fl, analysis_field="faelle_ewz_7", output_name="Outliers_4W")
outliers_4W = outliers_4W_Res['outliers_result_layer']
outliers_4W.move('Masterprojekt')
{'success': True,
 'itemId': '22853fc19fb34390b493a1448b67da59',
 'owner': 'ni2758',
 'folder': '352ee0cfa24142e5acf961c3c4dbd256'}

Dieser Layer kann nun in einer Karte angezeigt werden.

gis = GIS(url="https://arcgis.services.fbbgg.hs-woe.de/arcgis")
map_Out_4W = gis.map("Germany")
map_Out_4W.add_layer(outliers_4W)
map_Out_4W
MapView(layout=Layout(height='400px', width='100%'))

Space-Time Cubes

Es sollen Space-Time Cubes für alle vier Wellen durchgeführt werden.

    1. Welle: 02.03.2020 - 19.04.2020
    1. Welle: 05.10.2020 - 31.01.2021
    1. Welle: 01.03.2021 - 16.05.2021
    1. Welle: 04.10.2021 - 02.01.2022

Dabei werden arcpy-Funktionen verwendet. Dafür müssen die Kreisgeometrien zunächst in der Geodatabase abgespeichert werden.

path_geom = os.path.join(results_dir, 'kreise_geom')
kreise_geom.spatial.to_featureclass(path_geom)
/opt/conda/lib/python3.7/site-packages/pandas/core/indexing.py:1720: SettingWithCopyWarning:


A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy






'/arcgis/home/Results.gdb/kreise_geom'

Space Time Cubes berechnen

Die Funktionsweise der Space-Time Cubes kann unter folgenden Link nachvollzogen werden: https://pro.arcgis.com/de/pro-app/latest/tool-reference/space-time-pattern-mining/createcubefromdefinedlocations.htm

kleine Datenmenge (10.12.2020 - 24.12.2020)

Testweise wurden der Space-Time Cube für eine kleiner Datenmenge von zwei Wochen (10.12.2020 - 24.12.2020) durchgeführt. Dieser Zeitraum muss aus den Daten extrahiert und ebenfalls in der Geodatabase als Tabelle abgespeichert werden.

data_stc_test = data_ewz.loc[(data_ewz['Meldedatum']>='2020-12-10') & (data_ewz['Meldedatum']<='2020-12-24')]
data_stc_test
<style scoped> .dataframe tbody tr th:only-of-type { vertical-align: middle; } 
.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
</style>
AGS EWZ EWZ_BL IdBundesland Bundesland IdLandkreis Landkreis Meldedatum AnzahlFall AnzahlTodesfall AnzahlGenesen IdLandkreis_str FaelleEWZ TodesfaelleEWZ GeneseneEWZ FaelleEWZ_7 TodesfaelleEWZ_7 GeneseneEWZ_7
343 01001 89934 2910875 1 Schleswig-Holstein 1001 SK Flensburg 2020-12-10 10 0 10 01001 11.119265 0.000000 11.119265 30.022016 0.000000 30.022016
344 01001 89934 2910875 1 Schleswig-Holstein 1001 SK Flensburg 2020-12-11 6 1 5 01001 6.671559 1.111927 5.559633 33.357796 1.111927 32.245869
345 01001 89934 2910875 1 Schleswig-Holstein 1001 SK Flensburg 2020-12-12 5 1 4 01001 5.559633 1.111927 4.447706 37.805502 2.223853 35.581649
346 01001 89934 2910875 1 Schleswig-Holstein 1001 SK Flensburg 2020-12-13 1 0 1 01001 1.111927 0.000000 1.111927 35.581649 2.223853 33.357796
347 01001 89934 2910875 1 Schleswig-Holstein 1001 SK Flensburg 2020-12-14 15 2 13 01001 16.678898 2.223853 14.455045 51.148620 4.447706 46.700914
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
307443 16077 88356 2120237 16 Thüringen 16077 LK Altenburger Land 2020-12-20 1 0 1 16077 1.131785 0.000000 1.131785 530.807189 13.581421 517.225768
307444 16077 88356 2120237 16 Thüringen 16077 LK Altenburger Land 2020-12-21 67 5 62 16077 75.829598 5.658925 70.170673 588.528227 18.108561 570.419666
307445 16077 88356 2120237 16 Thüringen 16077 LK Altenburger Land 2020-12-22 70 2 68 16077 79.224954 2.263570 76.961383 594.187152 16.976776 577.210376
307446 16077 88356 2120237 16 Thüringen 16077 LK Altenburger Land 2020-12-23 71 4 67 16077 80.356739 4.527140 75.829598 553.442890 18.108561 535.334329
307447 16077 88356 2120237 16 Thüringen 16077 LK Altenburger Land 2020-12-24 146 3 143 16077 165.240618 3.395355 161.845262 605.505002 16.976776 588.528227

6165 rows × 18 columns

path_test = os.path.join(results_dir, 'data_test')
data_stc_test.spatial.to_table(path_test)
'/arcgis/home/Results.gdb/data_test'

Falls der zu erstellende Space-Time Cube aus vorherigen Durchläufen bereits vorliegt wird dieser gelöscht.

Da die Daten an festgelegten Position vorliegen, wird der Space-Time Cubes über die arcpy Funktion arcpy.stpm.CreateSpaceTimeCubeDefinedLocations() berechnet und in der Geodatabase abgelegt.

arcpy.management.Delete(os.path.join(home_dir, 'stc_Test.nc'))
stc_test = arcpy.stpm.CreateSpaceTimeCubeDefinedLocations(path_geom, os.path.join(home_dir, 'stc_Test.nc'), 'AGS_int','NO_TEMPORAL_AGGREGATION', 'meldedatum', '1 Days', '', '', 'FaelleEWZ_7 ZEROS', '', path_test, 'IdLandkreis')
---------- Space Time Cube Characteristics -----------
Input feature time extent          2020-12-10 00:00:00
                                to 2020-12-24 00:00:00
                                                      
Number of time steps                                15
Time step interval                               1 day
Time step alignment                                End
                                                      
First time step temporal bias                    0.00%
First time step interval                         after
                                   2020-12-09 00:00:00
                                       to on or before
                                   2020-12-10 00:00:00
                                                      
Last time step temporal bias                     0.00%
Last time step interval                          after
                                   2020-12-23 00:00:00
                                       to on or before
                                   2020-12-24 00:00:00
                                                      
Coordinate System               ETRS 1989 UTM Zone 32N
Cube extent across space       (coordinates in meters)
Min X                                      280371.0591
Min Y                                     5235855.9768
Max X                                      921292.3712
Max Y                                     6101443.7125


Locations                                          411
% of locations with estimated observations        0.00
- Total number                                       0
Total observations                                6165
% of all observations that were estimated         0.00
- Total number                                       0


---- Overall Data Trend - FAELLEEWZ_7_NONE_ZEROS -----
Trend direction                             Increasing
Trend statistic                                 4.6518
Trend p-value                                   0.0000
1. Welle (02.03.2020 - 19.04.2020)

Die Daten der ersten Welle müssen aus den gesamten Daten extrahiert und ebenfalls in der Geodatabase als Tabelle abgespeichert werden.

data_stc_1W = data_ewz.loc[(data_ewz['Meldedatum']>='2020-03-02') & (data_ewz['Meldedatum']<='2020-04-19')]
data_stc_1W
<style scoped> .dataframe tbody tr th:only-of-type { vertical-align: middle; } 
.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
</style>
AGS EWZ EWZ_BL IdBundesland Bundesland IdLandkreis Landkreis Meldedatum AnzahlFall AnzahlTodesfall AnzahlGenesen IdLandkreis_str FaelleEWZ TodesfaelleEWZ GeneseneEWZ FaelleEWZ_7 TodesfaelleEWZ_7 GeneseneEWZ_7
60 01001 89934 2910875 1 Schleswig-Holstein 1001 SK Flensburg 2020-03-02 0 0 0 01001 0.000000 0.0 0.000000 0.000000 0.000000 0.000000
61 01001 89934 2910875 1 Schleswig-Holstein 1001 SK Flensburg 2020-03-03 0 0 0 01001 0.000000 0.0 0.000000 0.000000 0.000000 0.000000
62 01001 89934 2910875 1 Schleswig-Holstein 1001 SK Flensburg 2020-03-04 0 0 0 01001 0.000000 0.0 0.000000 0.000000 0.000000 0.000000
63 01001 89934 2910875 1 Schleswig-Holstein 1001 SK Flensburg 2020-03-05 0 0 0 01001 0.000000 0.0 0.000000 0.000000 0.000000 0.000000
64 01001 89934 2910875 1 Schleswig-Holstein 1001 SK Flensburg 2020-03-06 0 0 0 01001 0.000000 0.0 0.000000 0.000000 0.000000 0.000000
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
307194 16077 88356 2120237 16 Thüringen 16077 LK Altenburger Land 2020-04-15 1 0 1 16077 1.131785 0.0 1.131785 5.658925 1.131785 4.527140
307195 16077 88356 2120237 16 Thüringen 16077 LK Altenburger Land 2020-04-16 3 0 3 16077 3.395355 0.0 3.395355 7.922495 0.000000 7.922495
307196 16077 88356 2120237 16 Thüringen 16077 LK Altenburger Land 2020-04-17 0 0 0 16077 0.000000 0.0 0.000000 5.658925 0.000000 5.658925
307197 16077 88356 2120237 16 Thüringen 16077 LK Altenburger Land 2020-04-18 0 0 0 16077 0.000000 0.0 0.000000 5.658925 0.000000 5.658925
307198 16077 88356 2120237 16 Thüringen 16077 LK Altenburger Land 2020-04-19 0 0 0 16077 0.000000 0.0 0.000000 5.658925 0.000000 5.658925

20139 rows × 18 columns

path_1W = os.path.join(results_dir, 'data_1W')
data_stc_1W.spatial.to_table(path_1W)
'/arcgis/home/Results.gdb/data_1W'

Falls der zu erstellende Space-Time Cube aus vorherigen Durchläufen bereits vorliegt wird dieser gelöscht.

Da die Daten an festgelegten Position vorliegen, wird der Space-Time Cubes über die arcpy Funktion arcpy.stpm.CreateSpaceTimeCubeDefinedLocations() berechnet und in der Geodatabase abgelegt.

arcpy.management.Delete(os.path.join(home_dir, 'stc_1W.nc'))
stc_1W = arcpy.stpm.CreateSpaceTimeCubeDefinedLocations(path_geom, os.path.join(home_dir, 'stc_1W.nc'), 'AGS_int', 'APPLY_TEMPORAL_AGGREGATION', 'meldedatum', '3 Days', 'END_TIME', '', '','FaelleEWZ_7 MEAN ZEROS', path_1W, 'IdLandkreis')
---------- Space Time Cube Characteristics -----------
Input feature time extent          2020-03-02 00:00:00
                                to 2020-04-19 00:00:00
                                                      
Number of time steps                                17
Time step interval                              3 days
Time step alignment                                End
                                                      
First time step temporal bias                  100.00%
First time step interval                         after
                                   2020-02-28 00:00:00
                                       to on or before
                                   2020-03-02 00:00:00
                                                      
Last time step temporal bias                     0.00%
Last time step interval                          after
                                   2020-04-16 00:00:00
                                       to on or before
                                   2020-04-19 00:00:00
                                                      
Coordinate System               ETRS 1989 UTM Zone 32N
Cube extent across space       (coordinates in meters)
Min X                                      280371.0591
Min Y                                     5235855.9768
Max X                                      921292.3712
Max Y                                     6101443.7125


Locations                                          411
% of locations with estimated observations        0.00
- Total number                                       0
Total observations                                6987
% of all observations that were estimated         0.00
- Total number                                       0


---- Overall Data Trend - FAELLEEWZ_7_MEAN_ZEROS -----
Trend direction                             Increasing
Trend statistic                                 3.5014
Trend p-value                                   0.0005


-- Overall Data Trend - TEMPORAL_AGGREGATION_COUNT ---
Trend direction                        Not Significant
Trend statistic                                 1.5309
Trend p-value                                   0.1258
2. Welle (05.10.2020 - 31.01.2021)

Die Daten der zweiten Welle müssen aus den gesamten Daten extrahiert und ebenfalls in der Geodatabase als Tabelle abgespeichert werden.

data_stc_2W = data_ewz.loc[(data_ewz['Meldedatum']>='2020-10-05') & (data_ewz['Meldedatum']<='2021-01-31')]
data_stc_2W
<style scoped> .dataframe tbody tr th:only-of-type { vertical-align: middle; } 
.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
</style>
AGS EWZ EWZ_BL IdBundesland Bundesland IdLandkreis Landkreis Meldedatum AnzahlFall AnzahlTodesfall AnzahlGenesen IdLandkreis_str FaelleEWZ TodesfaelleEWZ GeneseneEWZ FaelleEWZ_7 TodesfaelleEWZ_7 GeneseneEWZ_7
277 01001 89934 2910875 1 Schleswig-Holstein 1001 SK Flensburg 2020-10-05 0 0 0 01001 0.000000 0.000000 0.000000 16.678898 0.000000 16.678898
278 01001 89934 2910875 1 Schleswig-Holstein 1001 SK Flensburg 2020-10-06 0 0 0 01001 0.000000 0.000000 0.000000 13.343118 0.000000 13.343118
279 01001 89934 2910875 1 Schleswig-Holstein 1001 SK Flensburg 2020-10-07 3 0 3 01001 3.335780 0.000000 3.335780 13.343118 0.000000 13.343118
280 01001 89934 2910875 1 Schleswig-Holstein 1001 SK Flensburg 2020-10-08 5 0 5 01001 5.559633 0.000000 5.559633 12.231192 0.000000 12.231192
281 01001 89934 2910875 1 Schleswig-Holstein 1001 SK Flensburg 2020-10-09 0 0 0 01001 0.000000 0.000000 0.000000 8.895412 0.000000 8.895412
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
307481 16077 88356 2120237 16 Thüringen 16077 LK Altenburger Land 2021-01-27 32 1 31 16077 36.217122 1.131785 35.085337 229.752365 7.922495 221.829870
307482 16077 88356 2120237 16 Thüringen 16077 LK Altenburger Land 2021-01-28 14 0 14 16077 15.844991 0.000000 15.844991 185.612748 5.658925 179.953823
307483 16077 88356 2120237 16 Thüringen 16077 LK Altenburger Land 2021-01-29 32 1 31 16077 36.217122 1.131785 35.085337 191.271674 6.790710 184.480963
307484 16077 88356 2120237 16 Thüringen 16077 LK Altenburger Land 2021-01-30 40 5 35 16077 45.271402 5.658925 39.612477 202.589524 11.317851 191.271674
307485 16077 88356 2120237 16 Thüringen 16077 LK Altenburger Land 2021-01-31 10 3 7 16077 11.317851 3.395355 7.922495 203.721309 14.713206 189.008104

48909 rows × 18 columns

path_2W = os.path.join(results_dir, 'data_2W')
data_stc_2W.spatial.to_table(path_2W)
'/arcgis/home/Results.gdb/data_2W'

Falls der zu erstellende Space-Time Cube aus vorherigen Durchläufen bereits vorliegt wird dieser gelöscht.

Da die Daten an festgelegten Position vorliegen, wird der Space-Time Cubes über die arcpy Funktion arcpy.stpm.CreateSpaceTimeCubeDefinedLocations() berechnet und in der Geodatabase abgelegt.

arcpy.management.Delete(os.path.join(home_dir, 'stc_2W.nc'))
stc_2W = arcpy.stpm.CreateSpaceTimeCubeDefinedLocations(path_geom, os.path.join(home_dir, 'stc_2W.nc'), 'AGS_int', 'APPLY_TEMPORAL_AGGREGATION', 'meldedatum', '1 Weeks', 'END_TIME', '', '','FaelleEWZ_7 MEAN ZEROS', path_2W, 'IdLandkreis')
---------- Space Time Cube Characteristics -----------
Input feature time extent          2020-10-05 00:00:00
                                to 2021-01-31 00:00:00
                                                      
Number of time steps                                17
Time step interval                              1 week
Time step alignment                                End
                                                      
First time step temporal bias                   14.29%
First time step interval                         after
                                   2020-10-04 00:00:00
                                       to on or before
                                   2020-10-11 00:00:00
                                                      
Last time step temporal bias                     0.00%
Last time step interval                          after
                                   2021-01-24 00:00:00
                                       to on or before
                                   2021-01-31 00:00:00
                                                      
Coordinate System               ETRS 1989 UTM Zone 32N
Cube extent across space       (coordinates in meters)
Min X                                      280371.0591
Min Y                                     5235855.9768
Max X                                      921292.3712
Max Y                                     6101443.7125


Locations                                          411
% of locations with estimated observations        0.00
- Total number                                       0
Total observations                                6987
% of all observations that were estimated         0.00
- Total number                                       0


---- Overall Data Trend - FAELLEEWZ_7_MEAN_ZEROS -----
Trend direction                             Increasing
Trend statistic                                 2.8423
Trend p-value                                   0.0045


-- Overall Data Trend - TEMPORAL_AGGREGATION_COUNT ---
Trend direction                        Not Significant
Trend statistic                                 0.0000
Trend p-value                                   1.0000
3. Welle (01.03.2021 - 16.05.2021)

Die Daten der dritten Welle müssen aus den gesamten Daten extrahiert und ebenfalls in der Geodatabase als Tabelle abgespeichert werden.

data_stc_3W = data_ewz.loc[(data_ewz['Meldedatum']>='2021-03-01') & (data_ewz['Meldedatum']<='2021-05-16')]
data_stc_3W
<style scoped> .dataframe tbody tr th:only-of-type { vertical-align: middle; } 
.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
</style>
AGS EWZ EWZ_BL IdBundesland Bundesland IdLandkreis Landkreis Meldedatum AnzahlFall AnzahlTodesfall AnzahlGenesen IdLandkreis_str FaelleEWZ TodesfaelleEWZ GeneseneEWZ FaelleEWZ_7 TodesfaelleEWZ_7 GeneseneEWZ_7
424 01001 89934 2910875 1 Schleswig-Holstein 1001 SK Flensburg 2021-03-01 17 0 17 01001 18.902751 0.000000 18.902751 162.341272 0.000000 162.341272
425 01001 89934 2910875 1 Schleswig-Holstein 1001 SK Flensburg 2021-03-02 11 1 10 01001 12.231192 1.111927 11.119265 153.445860 1.111927 152.333934
426 01001 89934 2910875 1 Schleswig-Holstein 1001 SK Flensburg 2021-03-03 24 0 24 01001 26.686237 0.000000 26.686237 145.662375 1.111927 144.550448
427 01001 89934 2910875 1 Schleswig-Holstein 1001 SK Flensburg 2021-03-04 12 0 12 01001 13.343118 0.000000 13.343118 132.319256 1.111927 131.207330
428 01001 89934 2910875 1 Schleswig-Holstein 1001 SK Flensburg 2021-03-05 7 0 7 01001 7.783486 0.000000 7.783486 110.080726 1.111927 108.968799
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
307586 16077 88356 2120237 16 Thüringen 16077 LK Altenburger Land 2021-05-12 25 0 25 16077 28.294626 0.000000 28.294626 201.457739 5.658925 195.798814
307587 16077 88356 2120237 16 Thüringen 16077 LK Altenburger Land 2021-05-13 6 0 6 16077 6.790710 0.000000 6.790710 143.736702 4.527140 139.209561
307588 16077 88356 2120237 16 Thüringen 16077 LK Altenburger Land 2021-05-14 16 0 16 16077 18.108561 0.000000 18.108561 142.604916 2.263570 140.341346
307589 16077 88356 2120237 16 Thüringen 16077 LK Altenburger Land 2021-05-15 3 0 3 16077 3.395355 0.000000 3.395355 118.837430 1.131785 117.705645
307590 16077 88356 2120237 16 Thüringen 16077 LK Altenburger Land 2021-05-16 0 0 0 16077 0.000000 0.000000 0.000000 108.651365 0.000000 108.651365

31647 rows × 18 columns

path_3W = os.path.join(results_dir, 'data_3W')
data_stc_3W.spatial.to_table(path_3W)
'/arcgis/home/Results.gdb/data_3W'

Falls der zu erstellende Space-Time Cube aus vorherigen Durchläufen bereits vorliegt wird dieser gelöscht.

Da die Daten an festgelegten Position vorliegen, wird der Space-Time Cubes über die arcpy Funktion arcpy.stpm.CreateSpaceTimeCubeDefinedLocations() berechnet und in der Geodatabase abgelegt.

arcpy.management.Delete(os.path.join(home_dir, 'stc_3W.nc'))
stc_3W = arcpy.stpm.CreateSpaceTimeCubeDefinedLocations(path_geom, os.path.join(home_dir, 'stc_3W.nc'), 'AGS_int', 'APPLY_TEMPORAL_AGGREGATION', 'meldedatum', '1 Weeks', 'END_TIME', '', '','FaelleEWZ_7 MEAN ZEROS', path_3W, 'IdLandkreis')
---------- Space Time Cube Characteristics -----------
Input feature time extent          2021-03-01 00:00:00
                                to 2021-05-16 00:00:00
                                                      
Number of time steps                                11
Time step interval                              1 week
Time step alignment                                End
                                                      
First time step temporal bias                   14.29%
First time step interval                         after
                                   2021-02-28 00:00:00
                                       to on or before
                                   2021-03-07 00:00:00
                                                      
Last time step temporal bias                     0.00%
Last time step interval                          after
                                   2021-05-09 00:00:00
                                       to on or before
                                   2021-05-16 00:00:00
                                                      
Coordinate System               ETRS 1989 UTM Zone 32N
Cube extent across space       (coordinates in meters)
Min X                                      280371.0591
Min Y                                     5235855.9768
Max X                                      921292.3712
Max Y                                     6101443.7125


Locations                                          411
% of locations with estimated observations        0.00
- Total number                                       0
Total observations                                4521
% of all observations that were estimated         0.00
- Total number                                       0


---- Overall Data Trend - FAELLEEWZ_7_MEAN_ZEROS -----
Trend direction                             Increasing
Trend statistic                                 1.8684
Trend p-value                                   0.0617


-- Overall Data Trend - TEMPORAL_AGGREGATION_COUNT ---
Trend direction                        Not Significant
Trend statistic                                 0.0000
Trend p-value                                   1.0000
4. Welle (04.10.2021 - 02.01.2022)

Die Daten der vierten Welle müssen aus den gesamten Daten extrahiert und ebenfalls in der Geodatabase als Tabelle abgespeichert werden.

data_stc_4W = data_ewz.loc[(data_ewz['Meldedatum']>='2021-10-04') & (data_ewz['Meldedatum']<='2022-01-02')]
data_stc_4W
<style scoped> .dataframe tbody tr th:only-of-type { vertical-align: middle; } 
.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
</style>
AGS EWZ EWZ_BL IdBundesland Bundesland IdLandkreis Landkreis Meldedatum AnzahlFall AnzahlTodesfall AnzahlGenesen IdLandkreis_str FaelleEWZ TodesfaelleEWZ GeneseneEWZ FaelleEWZ_7 TodesfaelleEWZ_7 GeneseneEWZ_7
641 01001 89934 2910875 1 Schleswig-Holstein 1001 SK Flensburg 2021-10-04 5 0 5 01001 5.559633 0.000000 5.559633 33.357796 0.000000 33.357796
642 01001 89934 2910875 1 Schleswig-Holstein 1001 SK Flensburg 2021-10-05 2 0 2 01001 2.223853 0.000000 2.223853 26.686237 0.000000 26.686237
643 01001 89934 2910875 1 Schleswig-Holstein 1001 SK Flensburg 2021-10-06 4 0 4 01001 4.447706 0.000000 4.447706 22.238530 0.000000 22.238530
644 01001 89934 2910875 1 Schleswig-Holstein 1001 SK Flensburg 2021-10-07 6 0 6 01001 6.671559 0.000000 6.671559 26.686237 0.000000 26.686237
645 01001 89934 2910875 1 Schleswig-Holstein 1001 SK Flensburg 2021-10-08 3 0 3 01001 3.335780 0.000000 3.335780 25.574310 0.000000 25.574310
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
307817 16077 88356 2120237 16 Thüringen 16077 LK Altenburger Land 2021-12-29 68 1 2 16077 76.961383 1.131785 2.263570 328.217665 1.131785 70.170673
307818 16077 88356 2120237 16 Thüringen 16077 LK Altenburger Land 2021-12-30 54 0 4 16077 61.116393 0.000000 4.527140 329.349450 1.131785 14.713206
307819 16077 88356 2120237 16 Thüringen 16077 LK Altenburger Land 2021-12-31 28 1 1 16077 31.689981 1.131785 1.131785 330.481235 2.263570 12.449636
307820 16077 88356 2120237 16 Thüringen 16077 LK Altenburger Land 2022-01-01 6 0 0 16077 6.790710 0.000000 0.000000 327.085880 2.263570 11.317851
307821 16077 88356 2120237 16 Thüringen 16077 LK Altenburger Land 2022-01-02 10 0 1 16077 11.317851 0.000000 1.131785 335.008375 2.263570 11.317851

37401 rows × 18 columns

path_4W = os.path.join(results_dir, 'data_4W')
data_stc_4W.spatial.to_table(path_4W)
'/arcgis/home/Results.gdb/data_4W'

Falls der zu erstellende Space-Time Cube aus vorherigen Durchläufen bereits vorliegt wird dieser gelöscht.

Da die Daten an festgelegten Position vorliegen, wird der Space-Time Cubes über die arcpy Funktion arcpy.stpm.CreateSpaceTimeCubeDefinedLocations() berechnet und in der Geodatabase abgelegt.

arcpy.management.Delete(os.path.join(home_dir, 'stc_4W.nc'))
stc_4W = arcpy.stpm.CreateSpaceTimeCubeDefinedLocations(path_geom, os.path.join(home_dir, 'stc_4W.nc'), 'AGS_int', 'APPLY_TEMPORAL_AGGREGATION', 'meldedatum', '1 Weeks', 'END_TIME', '', '','FaelleEWZ_7 MEAN ZEROS', path_4W, 'IdLandkreis')

Emerging Hot Spot Analyse

Mit Hilfe der zuvor erstellten Space-Time Cubes soll nun eine Emerging Hot Spot-Analyse durchgeführt werden.

Die Funktionsweise des Werkzeugs kann hier nachvollzogen werden: https://pro.arcgis.com/de/pro-app/latest/tool-reference/space-time-pattern-mining/emerginghotspots.htm

kleine Datenmenge (10.12.2020 - 24.12.2020)

Falls das Ergebnis der zu erstellenden Emerging Hot Spot-Analyse aus vorherigen Durchläufen bereits vorliegt wird dieses gelöscht.

Die Emerging Hot Spot-Analyse wird über die arcpy-Funktion arcpy.stpm.EmergingHotSpotAnalysis() mit Hilfe der Space-Time Cubes berechnet und in der Geodatabase abgelegt.

arcpy.management.Delete(os.path.join(results_dir, 'emerg_Test'))
emerg = arcpy.stpm.EmergingHotSpotAnalysis(os.path.join(home_dir, 'stc_Test.nc'), "FAELLEEWZ_7_NONE_ZEROS", os.path.join(results_dir, 'emerg_Test'))
WARNING 110020: The default Neighborhood Distance is 65567.520785 meters.


----------- Input Space Time Cube Details -----------
Time step interval                               1 day
                                                      
Shape Type                                     Polygon
                                                      
First time step temporal bias                    0.00%
First time step interval                         after
                                   2020-12-09 00:00:00
                                       to on or before
                                   2020-12-10 00:00:00
                                                      
Last time step temporal bias                     0.00%
Last time step interval                          after
                                   2020-12-23 00:00:00
                                       to on or before
                                   2020-12-24 00:00:00
                                                      
Number of time steps                                15
Number of locations analyzed                       411
Number of space time bins analyzed                6165
-----------------------------------------------------


----------------- Analysis Details ----------------
Neighborhood distance            65567.520785 meters
Neighborhood time step intervals                   1
                                    (spanning 1 day)
---------------------------------------------------


--------- Summary of Results ---------
                      HOT          COLD
New                     0             1
Consecutive            40             0
Intensifying           37             1
Persistent              2            12
Diminishing             0            52
Sporadic                1             7
Oscillating             2             0
Historical              0             0
--------------------------------------
All locations with hot or cold spot trends: 155 of 411


Category Definitions
----------------------------------------------------------------------

Last time step is hot:
- New: the most recent time step interval is hot for the first time
- Consecutive: a single uninterrupted run of hot time step intervals, comprised of less than 90% of all intervals
- Intensifying: at least 90% of the time step intervals are hot, and becoming hotter over time
- Persistent: at least 90% of the time step intervals are hot, with no trend up or down
- Diminishing: at least 90% of the time step intervals are hot, and becoming less hot over time
- Sporadic: some of the time step intervals are hot
- Oscillating: some of the time step intervals are hot, some are cold

Last time step is not hot:
- Historical: at least 90% of the time step intervals are hot, but the most recent time step interval is not
----------------------------------------------------------------------

Last time step is cold:
- New: the most recent time step interval is cold for the first time
- Consecutive: a single uninterrupted run of cold time step intervals, comprised of less than 90% of all
- Intensifying: at least 90% of the time step intervals are cold, and becoming colder over time
- Persistent: at least 90% of the time step intervals are cold, with no trend up or down
- Diminishing: at least 90% of the time step intervals are cold, and becoming less cold over time intervals
- Sporadic: some of the time step intervals are cold
- Oscillating: some of the time step intervals are cold, some are hot

Last time step is not cold:
- Historical: at least 90% of the time step intervals are cold, but the most recent time step interval is not
----------------------------------------------------------------------

Das Ergebnis der Analyse wird in ein "spatially-enabled" Dataframe umgewandelt um im ArcGIS-Enterprise ein Layer erzeugen zu können.

emerg_Test_SDF = pd.DataFrame.spatial.from_featureclass(os.path.join(results_dir,'Emerg_Test'))

Um die Daten darstellen zu können muss ein Layer in dem Projektordner erzeugt werden. Damit nicht zu viele Layer mit der Zeit angelegt werden wird ein möglicher zuvor erstellter Layer gelöscht.

gis = GIS("home")
items = gis.content.search(query ='Emerg_Test')
for item in items:
    item.delete()
emerg_test = emerg_Test_SDF.spatial.to_featurelayer('Emerg_Test', tags=['Corona', 'Covid-19'], folder='Masterprojekt')

Dieser Layer kann nun in einer Karte angezeigt werden.

#gis = GIS("home")
gis = GIS(url="https://arcgis.services.fbbgg.hs-woe.de/arcgis")
map_Emerg_Test = gis.map("Germany")
classed_color_renderer =  {"renderer":"ClassedColorRenderer", "field_name":"category" }
#vis3D_Test_SEDF.spatial.plot(vis3D_Test_map, col="HS_BIN", cmap='bwr', renderer_type='c', method='esriClassifyNaturalBreaks', min_value=-3, class_count=7, alpha=0.8, line_width=0.2)

map_Emerg_Test.add_layer(emerg_test, classed_color_renderer)
map_Emerg_Test
MapView(layout=Layout(height='400px', width='100%'))
1. Welle (02.03.2020 - 19.04.2020)

Falls das Ergebnis der zu erstellenden Emerging Hot Spot-Analyse aus vorherigen Durchläufen bereits vorliegt wird dieses gelöscht.

Die Emerging Hot Spot-Analyse wird über die arcpy Funktion arcpy.stpm.EmergingHotSpotAnalysis() mit Hilfe der Space-Time Cubes berechnet und in der Geodatabase abgelegt.

arcpy.management.Delete(os.path.join(results_dir, 'emerg_1W'))
emerg = arcpy.stpm.EmergingHotSpotAnalysis(os.path.join(home_dir, 'stc_1W.nc'), "FAELLEEWZ_7_MEAN_ZEROS", os.path.join(results_dir, 'emerg_1W'))
WARNING 110020: The default Neighborhood Distance is 65567.520785 meters.


----------- Input Space Time Cube Details -----------
Time step interval                              3 days
                                                      
Shape Type                                     Polygon
                                                      
First time step temporal bias                  100.00%
First time step interval                         after
                                   2020-02-28 00:00:00
                                       to on or before
                                   2020-03-02 00:00:00
                                                      
Last time step temporal bias                     0.00%
Last time step interval                          after
                                   2020-04-16 00:00:00
                                       to on or before
                                   2020-04-19 00:00:00
                                                      
Number of time steps                                17
Number of locations analyzed                       411
Number of space time bins analyzed                6987
-----------------------------------------------------


----------------- Analysis Details ----------------
Neighborhood distance            65567.520785 meters
Neighborhood time step intervals                   1
                                   (spanning 3 days)
---------------------------------------------------


--------- Summary of Results ---------
                      HOT          COLD
New                     0             0
Consecutive             0             0
Intensifying            0             0
Persistent              0             0
Diminishing             0             0
Sporadic                0            56
Oscillating           101             0
Historical              0             0
--------------------------------------
All locations with hot or cold spot trends: 157 of 411


Category Definitions
----------------------------------------------------------------------

Last time step is hot:
- New: the most recent time step interval is hot for the first time
- Consecutive: a single uninterrupted run of hot time step intervals, comprised of less than 90% of all intervals
- Intensifying: at least 90% of the time step intervals are hot, and becoming hotter over time
- Persistent: at least 90% of the time step intervals are hot, with no trend up or down
- Diminishing: at least 90% of the time step intervals are hot, and becoming less hot over time
- Sporadic: some of the time step intervals are hot
- Oscillating: some of the time step intervals are hot, some are cold

Last time step is not hot:
- Historical: at least 90% of the time step intervals are hot, but the most recent time step interval is not
----------------------------------------------------------------------

Last time step is cold:
- New: the most recent time step interval is cold for the first time
- Consecutive: a single uninterrupted run of cold time step intervals, comprised of less than 90% of all
- Intensifying: at least 90% of the time step intervals are cold, and becoming colder over time
- Persistent: at least 90% of the time step intervals are cold, with no trend up or down
- Diminishing: at least 90% of the time step intervals are cold, and becoming less cold over time intervals
- Sporadic: some of the time step intervals are cold
- Oscillating: some of the time step intervals are cold, some are hot

Last time step is not cold:
- Historical: at least 90% of the time step intervals are cold, but the most recent time step interval is not
----------------------------------------------------------------------

Das Ergebnis der Analyse wird in ein "spatially-enabled" Dataframe umgewandelt um im ArcGIS-Enterprise ein Layer erzeugen zu können.

emerg_1W_SDF = pd.DataFrame.spatial.from_featureclass(os.path.join(results_dir,'emerg_1W'))

Um die Daten darstellen zu können muss ein Layer in dem Projektordner erzeugt werden. Damit nicht zu viele Layer mit der Zeit angelegt werden wird ein möglicher zuvor erstellter Layer gelöscht.

gis = GIS("home")
items = gis.content.search(query ='emerg_1W')
for item in items:
    item.delete()
emerg_1W = emerg_1W_SDF.spatial.to_featurelayer('emerg_1W', tags=['Corona', 'Covid-19'], folder='Masterprojekt')

Dieser Layer kann nun in einer Karte angezeigt werden.

gis = GIS(url="https://arcgis.services.fbbgg.hs-woe.de/arcgis")
map_emerg_1W = gis.map("Germany")
classed_color_renderer =  {"renderer":"ClassedColorRenderer", "field_name":"category" }
map_emerg_1W.add_layer(emerg_1W, classed_color_renderer)
map_emerg_1W
MapView(layout=Layout(height='400px', width='100%'))
2. Welle (05.10.2020 - 31.01.2021)

Falls das Ergebnis der zu erstellenden Emerging Hot Spot-Analyse aus vorherigen Durchläufen bereits vorliegt wird dieses gelöscht.

Die Emerging Hot Spot-Analyse wird über die arcpy Funktion arcpy.stpm.EmergingHotSpotAnalysis() mit Hilfe der Space-Time Cubes berechnet und in der Geodatabase abgelegt.

arcpy.management.Delete(os.path.join(results_dir, 'emerg_2W'))
emerg = arcpy.stpm.EmergingHotSpotAnalysis(os.path.join(home_dir, 'stc_2W.nc'), "FAELLEEWZ_7_MEAN_ZEROS", os.path.join(results_dir, 'emerg_2W'))
WARNING 110020: The default Neighborhood Distance is 65567.520785 meters.


----------- Input Space Time Cube Details -----------
Time step interval                              1 week
                                                      
Shape Type                                     Polygon
                                                      
First time step temporal bias                   14.29%
First time step interval                         after
                                   2020-10-04 00:00:00
                                       to on or before
                                   2020-10-11 00:00:00
                                                      
Last time step temporal bias                     0.00%
Last time step interval                          after
                                   2021-01-24 00:00:00
                                       to on or before
                                   2021-01-31 00:00:00
                                                      
Number of time steps                                17
Number of locations analyzed                       411
Number of space time bins analyzed                6987
-----------------------------------------------------


----------------- Analysis Details ----------------
Neighborhood distance            65567.520785 meters
Neighborhood time step intervals                   1
                                   (spanning 1 week)
---------------------------------------------------


--------- Summary of Results ---------
                      HOT          COLD
New                     0             0
Consecutive             0             0
Intensifying            0             0
Persistent              0             1
Diminishing             0            22
Sporadic                0            37
Oscillating            59           135
Historical              0             0
--------------------------------------
All locations with hot or cold spot trends: 254 of 411


Category Definitions
----------------------------------------------------------------------

Last time step is hot:
- New: the most recent time step interval is hot for the first time
- Consecutive: a single uninterrupted run of hot time step intervals, comprised of less than 90% of all intervals
- Intensifying: at least 90% of the time step intervals are hot, and becoming hotter over time
- Persistent: at least 90% of the time step intervals are hot, with no trend up or down
- Diminishing: at least 90% of the time step intervals are hot, and becoming less hot over time
- Sporadic: some of the time step intervals are hot
- Oscillating: some of the time step intervals are hot, some are cold

Last time step is not hot:
- Historical: at least 90% of the time step intervals are hot, but the most recent time step interval is not
----------------------------------------------------------------------

Last time step is cold:
- New: the most recent time step interval is cold for the first time
- Consecutive: a single uninterrupted run of cold time step intervals, comprised of less than 90% of all
- Intensifying: at least 90% of the time step intervals are cold, and becoming colder over time
- Persistent: at least 90% of the time step intervals are cold, with no trend up or down
- Diminishing: at least 90% of the time step intervals are cold, and becoming less cold over time intervals
- Sporadic: some of the time step intervals are cold
- Oscillating: some of the time step intervals are cold, some are hot

Last time step is not cold:
- Historical: at least 90% of the time step intervals are cold, but the most recent time step interval is not
----------------------------------------------------------------------

Das Ergebnis der Analyse wird in ein "spatially-enabled" Dataframe umgewandelt um im ArcGIS-Enterprise ein Layer erzeugen zu können.

emerg_2W_SDF = pd.DataFrame.spatial.from_featureclass(os.path.join(results_dir,'emerg_2W'))

Um die Daten darstellen zu können muss ein Layer in dem Projektordner erzeugt werden. Damit nicht zu viele Layer mit der Zeit angelegt werden wird ein möglicher zuvor erstellter Layer gelöscht.

gis = GIS("home")
items = gis.content.search(query ='emerg_2W')
for item in items:
    item.delete()
emerg_2W = emerg_2W_SDF.spatial.to_featurelayer('emerg_2W', tags=['Corona', 'Covid-19'], folder='Masterprojekt')

Dieser Layer kann nun in einer Karte angezeigt werden.

gis = GIS(url="https://arcgis.services.fbbgg.hs-woe.de/arcgis")
map_emerg_2W = gis.map("Germany")
classed_color_renderer =  {"renderer":"ClassedColorRenderer", "field_name":"category" }
map_emerg_2W.add_layer(emerg_2W, classed_color_renderer)
map_emerg_2W
MapView(layout=Layout(height='400px', width='100%'))
3. Welle (01.03.2021 - 16.05.2021)

Falls das Ergebnis der zu erstellenden Emerging Hot Spot-Analyse aus vorherigen Durchläufen bereits vorliegt wird dieses gelöscht.

Die Emerging Hot Spot-Analyse wird über die arcpy Funktion arcpy.stpm.EmergingHotSpotAnalysis() mit Hilfe der Space-Time Cubes berechnet und in der Geodatabase abgelegt.

arcpy.management.Delete(os.path.join(results_dir, 'emerg_3W'))
emerg = arcpy.stpm.EmergingHotSpotAnalysis(os.path.join(home_dir, 'stc_3W.nc'), "FAELLEEWZ_7_MEAN_ZEROS", os.path.join(results_dir, 'emerg_3W'))
WARNING 110020: The default Neighborhood Distance is 65567.520785 meters.


----------- Input Space Time Cube Details -----------
Time step interval                              1 week
                                                      
Shape Type                                     Polygon
                                                      
First time step temporal bias                   14.29%
First time step interval                         after
                                   2021-02-28 00:00:00
                                       to on or before
                                   2021-03-07 00:00:00
                                                      
Last time step temporal bias                     0.00%
Last time step interval                          after
                                   2021-05-09 00:00:00
                                       to on or before
                                   2021-05-16 00:00:00
                                                      
Number of time steps                                11
Number of locations analyzed                       411
Number of space time bins analyzed                4521
-----------------------------------------------------


----------------- Analysis Details ----------------
Neighborhood distance            65567.520785 meters
Neighborhood time step intervals                   1
                                   (spanning 1 week)
---------------------------------------------------


--------- Summary of Results ---------
                      HOT          COLD
New                     0             6
Consecutive            30             0
Intensifying            1             2
Persistent              6            14
Diminishing             0             0
Sporadic                0            81
Oscillating            25            37
Historical              2             0
--------------------------------------
All locations with hot or cold spot trends: 204 of 411


Category Definitions
----------------------------------------------------------------------

Last time step is hot:
- New: the most recent time step interval is hot for the first time
- Consecutive: a single uninterrupted run of hot time step intervals, comprised of less than 90% of all intervals
- Intensifying: at least 90% of the time step intervals are hot, and becoming hotter over time
- Persistent: at least 90% of the time step intervals are hot, with no trend up or down
- Diminishing: at least 90% of the time step intervals are hot, and becoming less hot over time
- Sporadic: some of the time step intervals are hot
- Oscillating: some of the time step intervals are hot, some are cold

Last time step is not hot:
- Historical: at least 90% of the time step intervals are hot, but the most recent time step interval is not
----------------------------------------------------------------------

Last time step is cold:
- New: the most recent time step interval is cold for the first time
- Consecutive: a single uninterrupted run of cold time step intervals, comprised of less than 90% of all
- Intensifying: at least 90% of the time step intervals are cold, and becoming colder over time
- Persistent: at least 90% of the time step intervals are cold, with no trend up or down
- Diminishing: at least 90% of the time step intervals are cold, and becoming less cold over time intervals
- Sporadic: some of the time step intervals are cold
- Oscillating: some of the time step intervals are cold, some are hot

Last time step is not cold:
- Historical: at least 90% of the time step intervals are cold, but the most recent time step interval is not
----------------------------------------------------------------------

Das Ergebnis der Analyse wird in ein "spatially-enabled" Dataframe umgewandelt um im ArcGIS-Enterprise ein Layer erzeugen zu können.

emerg_3W_SDF = pd.DataFrame.spatial.from_featureclass(os.path.join(results_dir,'emerg_3W'))

Um die Daten darstellen zu können muss ein Layer in dem Projektordner erzeugt werden. Damit nicht zu viele Layer mit der Zeit angelegt werden wird ein möglicher zuvor erstellter Layer gelöscht.

gis = GIS("home")
items = gis.content.search(query ='emerg_3W')
for item in items:
    item.delete()
emerg_3W = emerg_3W_SDF.spatial.to_featurelayer('emerg_3W', tags=['Corona', 'Covid-19'], folder='Masterprojekt')

Dieser Layer kann nun in einer Karte angezeigt werden.

gis = GIS(url="https://arcgis.services.fbbgg.hs-woe.de/arcgis")
map_emerg_3W = gis.map("Germany")
classed_color_renderer =  {"renderer":"ClassedColorRenderer", "field_name":"category" }
map_emerg_3W.add_layer(emerg_3W, classed_color_renderer)
map_emerg_3W
MapView(layout=Layout(height='400px', width='100%'))
4. Welle (04.10.2021 - 02.01.2022)

Falls das Ergebnis der zu erstellenden Emerging Hot Spot-Analyse aus vorherigen Durchläufen bereits vorliegt wird dieses gelöscht.

Die Emerging Hot Spot-Analyse wird über die arcpy Funktion arcpy.stpm.EmergingHotSpotAnalysis() mit Hilfe der Space-Time Cubes berechnet und in der Geodatabase abgelegt.

arcpy.management.Delete(os.path.join(results_dir, 'emerg_4W'))
emerg = arcpy.stpm.EmergingHotSpotAnalysis(os.path.join(home_dir, 'stc_4W.nc'), "FAELLEEWZ_7_MEAN_ZEROS", os.path.join(results_dir, 'emerg_4W'))
WARNING 110020: The default Neighborhood Distance is 65567.520785 meters.


----------- Input Space Time Cube Details -----------
Time step interval                              1 week
                                                      
Shape Type                                     Polygon
                                                      
First time step temporal bias                   14.29%
First time step interval                         after
                                   2021-10-03 00:00:00
                                       to on or before
                                   2021-10-10 00:00:00
                                                      
Last time step temporal bias                     0.00%
Last time step interval                          after
                                   2021-12-26 00:00:00
                                       to on or before
                                   2022-01-02 00:00:00
                                                      
Number of time steps                                13
Number of locations analyzed                       411
Number of space time bins analyzed                5343
-----------------------------------------------------


----------------- Analysis Details ----------------
Neighborhood distance            65567.520785 meters
Neighborhood time step intervals                   1
                                   (spanning 1 week)
---------------------------------------------------


--------- Summary of Results ---------
                      HOT          COLD
New                     0             0
Consecutive             1             0
Intensifying            0             0
Persistent              0             0
Diminishing             0            14
Sporadic                0            95
Oscillating            58            49
Historical              0             9
--------------------------------------
All locations with hot or cold spot trends: 226 of 411


Category Definitions
----------------------------------------------------------------------

Last time step is hot:
- New: the most recent time step interval is hot for the first time
- Consecutive: a single uninterrupted run of hot time step intervals, comprised of less than 90% of all intervals
- Intensifying: at least 90% of the time step intervals are hot, and becoming hotter over time
- Persistent: at least 90% of the time step intervals are hot, with no trend up or down
- Diminishing: at least 90% of the time step intervals are hot, and becoming less hot over time
- Sporadic: some of the time step intervals are hot
- Oscillating: some of the time step intervals are hot, some are cold

Last time step is not hot:
- Historical: at least 90% of the time step intervals are hot, but the most recent time step interval is not
----------------------------------------------------------------------

Last time step is cold:
- New: the most recent time step interval is cold for the first time
- Consecutive: a single uninterrupted run of cold time step intervals, comprised of less than 90% of all
- Intensifying: at least 90% of the time step intervals are cold, and becoming colder over time
- Persistent: at least 90% of the time step intervals are cold, with no trend up or down
- Diminishing: at least 90% of the time step intervals are cold, and becoming less cold over time intervals
- Sporadic: some of the time step intervals are cold
- Oscillating: some of the time step intervals are cold, some are hot

Last time step is not cold:
- Historical: at least 90% of the time step intervals are cold, but the most recent time step interval is not
----------------------------------------------------------------------

Das Ergebnis der Analyse wird in ein "spatially-enabled" Dataframe umgewandelt um im ArcGIS-Enterprise ein Layer erzeugen zu können.

emerg_4W_SDF = pd.DataFrame.spatial.from_featureclass(os.path.join(results_dir,'emerg_4W'))

Um die Daten darstellen zu können muss ein Layer in dem Projektordner erzeugt werden. Damit nicht zu viele Layer mit der Zeit angelegt werden wird ein möglicher zuvor erstellter Layer gelöscht.

gis = GIS("home")
items = gis.content.search(query ='emerg_4W')
for item in items:
    item.delete()
emerg_4W = emerg_4W_SDF.spatial.to_featurelayer('emerg_4W', tags=['Corona', 'Covid-19'], folder='Masterprojekt')

Dieser Layer kann nun in einer Karte angezeigt werden.

gis = GIS(url="https://arcgis.services.fbbgg.hs-woe.de/arcgis")
map_emerg_4W = gis.map("Germany")
classed_color_renderer =  {"renderer":"ClassedColorRenderer", "field_name":"category" }
map_emerg_4W.add_layer(emerg_4W, classed_color_renderer)
map_emerg_4W
MapView(layout=Layout(height='400px', width='100%'))

Visualisierung in 3D

Die erstellten Space-Time Cubes können auch in einer 3-dimensionalen Karte angezeigt werden.

Der folgende Link erläutert das Vorgehen näher: https://pro.arcgis.com/en/pro-app/latest/tool-reference/space-time-pattern-mining/visualizecube3d.htm

Für die Visualisierung wird eine Farbpalette benötigt.

palette = ['blue', 'cornflowerblue', 'lightskyblue', 'white', 'salmon', 'tomato', 'red']
cmap = matplotlib.colors.LinearSegmentedColormap.from_list("", ['blue', 'cornflowerblue', 'lightskyblue', 'white', 'salmon', 'tomato', 'red'])
kleine Datenmenge (10.12.2020 - 24.12.2020)

Das dreidimonsionale Rendering wirde über die Funktion arcpy.stpm.VisualizeSpaceTimeCube3D() durchgeführt. Dabei werden die einzelnen Bin als Ergebnis einer Hot Spot-Analyse dargestellt. Das Ergebnis wird in der Geodatabase abgelegt.

arcpy.stpm.VisualizeSpaceTimeCube3D(os.path.join(home_dir, 'stc_Test.nc'), "FAELLEEWZ_7_NONE_ZEROS", "HOT_AND_COLD_SPOT_RESULTS", os.path.join(results_dir,'vis3D_Test'))
WARNING 110044: The time it takes to render the cube in three dimensions may vary considerably based on the number of features and the graphics card associated with your CPU.

Messages

Das Ergebnis der Analyse wird in ein "spatially-enabled" Dataframe umgewandelt um im ArcGIS-Enterprise ein Layer erzeugen zu können.

vis3D_Test_SEDF = pd.DataFrame.spatial.from_featureclass(os.path.join(results_dir,'vis3D_Test'))
vis3D_Test_SEDF.head()
<style scoped> .dataframe tbody tr th:only-of-type { vertical-align: middle; } 
.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
</style>
OBJECTID TIME_STEP START_DATE END_DATE TIME_EXAG ELEMENT LOCATION AGS_INT VALUE HS_ZSCORE HS_PVALUE HS_BIN SHAPE
0 1 0 2020-12-09 00:00:01 2020-12-10 0.000000 0 0 1001 30.022016 -3.191161 0.001417 -3 {"x": 528200.8448999999, "y": 6070953.82719999...
1 2 1 2020-12-10 00:00:01 2020-12-11 1731.175471 411 0 1001 33.357796 -4.467113 0.000008 -3 {"x": 528200.8448999999, "y": 6070953.82719999...
2 3 2 2020-12-11 00:00:01 2020-12-12 3462.350943 822 0 1001 37.805502 -4.355985 0.000013 -3 {"x": 528200.8448999999, "y": 6070953.82719999...
3 4 3 2020-12-12 00:00:01 2020-12-13 5193.526414 1233 0 1001 35.581649 -4.292429 0.000018 -3 {"x": 528200.8448999999, "y": 6070953.82719999...
4 5 4 2020-12-13 00:00:01 2020-12-14 6924.701886 1644 0 1001 51.148620 -4.223450 0.000024 -3 {"x": 528200.8448999999, "y": 6070953.82719999...

Dieser Layer kann nun in einer Karte angezeigt werden.

gis = GIS(url="https://arcgis.services.fbbgg.hs-woe.de/arcgis")
vis3D_Test_map = gis.map("Germany", mode='3D')
vis3D_Test_map.basemap = 'dark-gray-vector'
vis3D_Test_SEDF.spatial.plot(vis3D_Test_map, col="HS_BIN", cmap='bwr', renderer_type='c', method='esriClassifyNaturalBreaks', min_value=-3, class_count=7, alpha=0.8, line_width=0.2)
vis3D_Test_map
MapView(layout=Layout(height='400px', width='100%'), mode='3D')
1. Welle (02.03.2020 - 19.04.2020)

Das dreidimonsionale Rendering wirde über die Funktion arcpy.stpm.VisualizeSpaceTimeCube3D() durchgeführt. Dabei werden die einzelnen Bin als Ergebnis einer Hot Spot-Analyse dargestellt. Das Ergebnis wird in der Geodatabase abgelegt.

arcpy.stpm.VisualizeSpaceTimeCube3D(os.path.join(home_dir, 'stc_1W.nc'), "FAELLEEWZ_7_MEAN_ZEROS", "HOT_AND_COLD_SPOT_RESULTS", os.path.join(results_dir,'vis3D_1W'))
WARNING 110044: The time it takes to render the cube in three dimensions may vary considerably based on the number of features and the graphics card associated with your CPU.

Messages

Das Ergebnis der Analyse wird in ein "spatially-enabled" Dataframe umgewandelt um im ArcGIS-Enterprise ein Layer erzeugen zu können.

vis3D_1W_SEDF = pd.DataFrame.spatial.from_featureclass(os.path.join(results_dir,'vis3D_1W'))
vis3D_1W_SEDF.head()
<style scoped> .dataframe tbody tr th:only-of-type { vertical-align: middle; } 
.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
</style>
OBJECTID TIME_STEP START_DATE END_DATE TIME_EXAG ELEMENT LOCATION AGS_INT VALUE HS_ZSCORE HS_PVALUE HS_BIN SHAPE
0 1 0 2020-02-28 00:00:01 2020-03-02 0.000000 0 0 1001 0.000000 -1.477572 0.139522 0 {"x": 528200.8448999999, "y": 6070953.82719999...
1 2 1 2020-03-02 00:00:01 2020-03-05 1731.175471 411 0 1001 0.000000 -2.090201 0.036600 -1 {"x": 528200.8448999999, "y": 6070953.82719999...
2 3 2 2020-03-05 00:00:01 2020-03-08 3462.350943 822 0 1001 0.000000 -2.090201 0.036600 -1 {"x": 528200.8448999999, "y": 6070953.82719999...
3 4 3 2020-03-08 00:00:01 2020-03-11 5193.526414 1233 0 1001 0.000000 -2.085518 0.037022 -1 {"x": 528200.8448999999, "y": 6070953.82719999...
4 5 4 2020-03-11 00:00:01 2020-03-14 6924.701886 1644 0 1001 1.482569 -1.992148 0.046355 -1 {"x": 528200.8448999999, "y": 6070953.82719999...

Dieser Layer kann nun in einer Karte angezeigt werden.

gis = GIS(url="https://arcgis.services.fbbgg.hs-woe.de/arcgis")
vis3D_1W_map = gis.map("Germany", mode='3D')
vis3D_1W_map.basemap = 'dark-gray-vector'
vis3D_1W_SEDF.spatial.plot(vis3D_1W_map, col="HS_BIN", cmap='bwr', renderer_type='c', method='esriClassifyNaturalBreaks', min_value=-3, class_count=7, alpha=0.8, line_width=0.2)
vis3D_1W_map
MapView(layout=Layout(height='400px', width='100%'), mode='3D')
2. Welle (05.10.2020 - 31.01.2021)

Das dreidimonsionale Rendering wirde über die Funktion arcpy.stpm.VisualizeSpaceTimeCube3D() durchgeführt. Dabei werden die einzelnen Bin als Ergebnis einer Hot Spot-Analyse dargestellt. Das Ergebnis wird in der Geodatabase abgelegt.

arcpy.stpm.VisualizeSpaceTimeCube3D(os.path.join(home_dir, 'stc_2W.nc'), "FAELLEEWZ_7_MEAN_ZEROS", "HOT_AND_COLD_SPOT_RESULTS", os.path.join(results_dir,'vis3D_2W'))
WARNING 110044: The time it takes to render the cube in three dimensions may vary considerably based on the number of features and the graphics card associated with your CPU.

Messages

Das Ergebnis der Analyse wird in ein "spatially-enabled" Dataframe umgewandelt um im ArcGIS-Enterprise ein Layer erzeugen zu können.

vis3D_2W_SEDF = pd.DataFrame.spatial.from_featureclass(os.path.join(results_dir,'vis3D_2W'))
vis3D_2W_SEDF.head()
<style scoped> .dataframe tbody tr th:only-of-type { vertical-align: middle; } 
.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
</style>
OBJECTID TIME_STEP START_DATE END_DATE TIME_EXAG ELEMENT LOCATION AGS_INT VALUE HS_ZSCORE HS_PVALUE HS_BIN SHAPE
0 1 0 2020-10-04 00:00:01 2020-10-11 0.000000 0 0 1001 13.025425 -2.784648 0.005359 -2 {"x": 528200.8448999999, "y": 6070953.82719999...
1 2 1 2020-10-11 00:00:01 2020-10-18 1731.175471 411 0 1001 16.361205 -3.923569 0.000087 -3 {"x": 528200.8448999999, "y": 6070953.82719999...
2 3 2 2020-10-18 00:00:01 2020-10-25 3462.350943 822 0 1001 26.209697 -3.729581 0.000192 -3 {"x": 528200.8448999999, "y": 6070953.82719999...
3 4 3 2020-10-25 00:00:01 2020-11-01 5193.526414 1233 0 1001 41.617821 -3.196640 0.001390 -3 {"x": 528200.8448999999, "y": 6070953.82719999...
4 5 4 2020-11-01 00:00:01 2020-11-08 6924.701886 1644 0 1001 33.040102 -2.776131 0.005501 -2 {"x": 528200.8448999999, "y": 6070953.82719999...

Dieser Layer kann nun in einer Karte angezeigt werden.

gis = GIS(url="https://arcgis.services.fbbgg.hs-woe.de/arcgis")
vis3D_2W_map = gis.map("Germany", mode='3D')
vis3D_2W_map.basemap = 'dark-gray-vector'
vis3D_2W_SEDF.spatial.plot(vis3D_2W_map, col="HS_BIN", cmap='bwr', renderer_type='c', method='esriClassifyNaturalBreaks', min_value=-3, class_count=7, alpha=0.8, line_width=0.2)
vis3D_2W_map
MapView(layout=Layout(height='400px', width='100%'), mode='3D')
3. Welle (01.03.2021 - 16.05.2021)

Das dreidimonsionale Rendering wirde über die Funktion arcpy.stpm.VisualizeSpaceTimeCube3D() durchgeführt. Dabei werden die einzelnen Bin als Ergebnis einer Hot Spot-Analyse dargestellt. Das Ergebnis wird in der Geodatabase abgelegt.

arcpy.stpm.VisualizeSpaceTimeCube3D(os.path.join(home_dir, 'stc_3W.nc'), "FAELLEEWZ_7_MEAN_ZEROS", "HOT_AND_COLD_SPOT_RESULTS", os.path.join(results_dir,'vis3D_3W'))
WARNING 110044: The time it takes to render the cube in three dimensions may vary considerably based on the number of features and the graphics card associated with your CPU.

Messages

Das Ergebnis der Analyse wird in ein "spatially-enabled" Dataframe umgewandelt um im ArcGIS-Enterprise ein Layer erzeugen zu können.

vis3D_3W_SEDF = pd.DataFrame.spatial.from_featureclass(os.path.join(results_dir,'vis3D_3W'))
vis3D_3W_SEDF.head()
<style scoped> .dataframe tbody tr th:only-of-type { vertical-align: middle; } 
.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
</style>
OBJECTID TIME_STEP START_DATE END_DATE TIME_EXAG ELEMENT LOCATION AGS_INT VALUE HS_ZSCORE HS_PVALUE HS_BIN SHAPE
0 1 0 2021-02-28 00:00:01 2021-03-07 0.000000 0 0 1001 129.301170 -1.806122 0.070899 0 {"x": 528200.8448999999, "y": 6070953.82719999...
1 2 1 2021-03-07 00:00:01 2021-03-14 1731.175471 411 0 1001 85.618342 -2.888612 0.003869 -3 {"x": 528200.8448999999, "y": 6070953.82719999...
2 3 2 2021-03-14 00:00:01 2021-03-21 3462.350943 822 0 1001 79.582170 -3.250591 0.001152 -3 {"x": 528200.8448999999, "y": 6070953.82719999...
3 4 3 2021-03-21 00:00:01 2021-03-28 5193.526414 1233 0 1001 99.438001 -3.215061 0.001304 -3 {"x": 528200.8448999999, "y": 6070953.82719999...
4 5 4 2021-03-28 00:00:01 2021-04-04 6924.701886 1644 0 1001 96.737608 -3.185058 0.001447 -3 {"x": 528200.8448999999, "y": 6070953.82719999...

Dieser Layer kann nun in einer Karte angezeigt werden.

gis = GIS(url="https://arcgis.services.fbbgg.hs-woe.de/arcgis")
vis3D_3W_map = gis.map("Germany", mode='3D')
vis3D_3W_map.basemap = 'dark-gray-vector'
vis3D_3W_SEDF.spatial.plot(vis3D_3W_map, col="HS_BIN", cmap='bwr', renderer_type='c', method='esriClassifyNaturalBreaks', min_value=-3, class_count=7, alpha=0.8, line_width=0.2)
vis3D_3W_map
MapView(layout=Layout(height='400px', width='100%'), mode='3D')
4. Welle (04.10.2021 - 02.01.2022)

Das dreidimonsionale Rendering wirde über die Funktion arcpy.stpm.VisualizeSpaceTimeCube3D() durchgeführt. Dabei werden die einzelnen Bin als Ergebnis einer Hot Spot-Analyse dargestellt. Das Ergebnis wird in der Geodatabase abgelegt.

arcpy.stpm.VisualizeSpaceTimeCube3D(os.path.join(home_dir, 'stc_4W.nc'), "FAELLEEWZ_7_MEAN_ZEROS", "HOT_AND_COLD_SPOT_RESULTS", os.path.join(results_dir,'vis3D_4W'))
WARNING 110044: The time it takes to render the cube in three dimensions may vary considerably based on the number of features and the graphics card associated with your CPU.

Messages

Das Ergebnis der Analyse wird in ein "spatially-enabled" Dataframe umgewandelt um im ArcGIS-Enterprise ein Layer erzeugen zu können.

vis3D_4W_SEDF = pd.DataFrame.spatial.from_featureclass(os.path.join(results_dir,'vis3D_4W'))
vis3D_4W_SEDF.head()
<style scoped> .dataframe tbody tr th:only-of-type { vertical-align: middle; } 
.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
</style>
OBJECTID TIME_STEP START_DATE END_DATE TIME_EXAG ELEMENT LOCATION AGS_INT VALUE HS_ZSCORE HS_PVALUE HS_BIN SHAPE
0 1 0 2021-10-03 00:00:01 2021-10-10 0.000000 0 0 1001 27.957010 -2.036691 0.041681 -1 {"x": 528200.8448999999, "y": 6070953.82719999...
1 2 1 2021-10-10 00:00:01 2021-10-17 1731.175471 411 0 1001 36.693575 -2.870626 0.004097 -3 {"x": 528200.8448999999, "y": 6070953.82719999...
2 3 2 2021-10-17 00:00:01 2021-10-24 3462.350943 822 0 1001 54.643246 -2.756112 0.005849 -2 {"x": 528200.8448999999, "y": 6070953.82719999...
3 4 3 2021-10-24 00:00:01 2021-10-31 5193.526414 1233 0 1001 71.163298 -2.558101 0.010525 -2 {"x": 528200.8448999999, "y": 6070953.82719999...
4 5 4 2021-10-31 00:00:01 2021-11-07 6924.701886 1644 0 1001 96.102221 -2.347003 0.018925 -2 {"x": 528200.8448999999, "y": 6070953.82719999...

Dieser Layer kann nun in einer Karte angezeigt werden.

gis = GIS(url="https://arcgis.services.fbbgg.hs-woe.de/arcgis")
vis3D_4W_map = gis.map("Germany", mode='3D')
vis3D_4W_map.basemap = 'dark-gray-vector'
vis3D_4W_SEDF.spatial.plot(vis3D_4W_map, col="HS_BIN", cmap='bwr', renderer_type='c', method='esriClassifyNaturalBreaks', min_value=-3, class_count=7, alpha=0.8, line_width=0.2)
vis3D_4W_map
MapView(layout=Layout(height='400px', width='100%'), mode='3D')

Time Series Clustering

Mit Hilfe der zuvor erstellten Space-Time Cubes sollen ähnliche Verläufe innerhalb der Wellen über ein Space Time Clustering zusammengefasst werden.

Die Funktionsweise des Werkzeugs kann hier nachvollzogen werden: https://pro.arcgis.com/en/pro-app/latest/tool-reference/space-time-pattern-mining/time-series-clustering.htm

Bei jedem Ausführen des Werkzeugs wird ein anderes Ergebnis berechnet. Dies geschieht aufgrund der zufällig gewählten Startpunkte beim Clustering.

kleine Datenmenge (10.12.2020 - 24.12.2020)

Falls das Ergebnis des zu erstellenden Time Series Clustering aus vorherigen Durchläufen bereits vorliegt wird dieses gelöscht.

Das Time Series Clustering wird über die arcpy Funktion arcpy.stpm.TimeSeriesClustering() mit Hilfe der Space-Time Cubes berechnet und in der Geodatabase abgelegt.

arcpy.management.Delete(os.path.join(results_dir, 'clust_test'))
arcpy.stpm.TimeSeriesClustering(os.path.join(home_dir, 'stc_Test.nc'), "FAELLEEWZ_7_NONE_ZEROS", os.path.join(results_dir,'clust_test'), "VALUE", '', '', '', 'CREATE_POPUP')
- Random Seed: 6516

----------- Input Space Time Cube Details -----------
Time step interval                               1 day
                                                      
Shape Type                                     Polygon
                                                      
First time step temporal bias                    0.00%
First time step interval                         after
                                   2020-12-09 00:00:00
                                       to on or before
                                   2020-12-10 00:00:00
                                                      
Last time step temporal bias                     0.00%
Last time step interval                          after
                                   2020-12-23 00:00:00
                                       to on or before
                                   2020-12-24 00:00:00
                                                      
Number of time steps                                15
Number of locations analyzed                       411
Number of space time bins analyzed                6165
-----------------------------------------------------

------ Pseudo F-Statistic Summary ------
Number of Clusters      Highest Pseudo F
2                                491.167
3                                596.985
4                                595.661
5                                646.942
6                                630.422
7                                595.829
8                                564.557
9                                534.868
10                               515.814
----------------------------------------
Optimal number of clusters is 5 based on the highest pseudo F-statistic.


------ Trend Statistics for Average Time-Series ------
Cluster ID     Direction           Statistic     p-value
1              Increasing             4.6518      0.0000
2              Increasing             4.6518      0.0000
3              Increasing             4.7508      0.0000
4              Increasing             4.7508      0.0000
5              Not Significant        1.5836      0.1133
------------------------------------------------------

- Number of Locations per Cluster -
Cluster ID      Number of Locations
1                               176
2                               112
3                                84
4                                28
5                                11
-----------------------------------

Messages

Das Ergebnis der Analyse wird in ein "spatially-enabled" Dataframe umgewandelt um es anzeigen lassen zu können.

clust_Test_sedf = pd.DataFrame.spatial.from_featureclass(os.path.join(results_dir,'clust_test'))
clust_Test_sedf
<style scoped> .dataframe tbody tr th:only-of-type { vertical-align: middle; } 
.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
</style>
OBJECTID LOCATION CLUSTER_ID CENTER_REP HTML_CHART SHAPE
0 1 0 3 0 <html>\n <head>\n <meta charset = "utf... {"rings": [[[526513.7528999997, 6075133.411900...
1 2 1 3 0 <html>\n <head>\n <meta charset = "utf... {"rings": [[[575841.5695000002, 6032148.0318],...
2 3 2 1 0 <html>\n <head>\n <meta charset = "utf... {"rings": [[[623056.1506000003, 5983746.4452],...
3 4 3 3 0 <html>\n <head>\n <meta charset = "utf... {"rings": [[[565015.6516000004, 6000637.513499...
4 5 4 3 0 <html>\n <head>\n <meta charset = "utf... {"rings": [[[479877.7912999997, 5990290.5867],...
... ... ... ... ... ... ...
406 407 406 2 0 <html>\n <head>\n <meta charset = "utf... {"rings": [[[786759.0349000003, 5831877.2039],...
407 408 407 2 0 <html>\n <head>\n <meta charset = "utf... {"rings": [[[793370.5291999998, 5821756.8627],...
408 409 408 2 0 <html>\n <head>\n <meta charset = "utf... {"rings": [[[796652.4819999998, 5832431.731000...
409 410 409 2 0 <html>\n <head>\n <meta charset = "utf... {"rings": [[[802213.7055000002, 5828350.9388],...
410 411 410 2 0 <html>\n <head>\n <meta charset = "utf... {"rings": [[[798532.9009999996, 5813120.180199...

411 rows × 6 columns

Dieser Layer kann nun angezeigt in einer Karte werden.

Bei der Ausführung kam es bei uns zu einem serverseitigen Anzeigefehler. Daher kann unter Datenexport die Geodatabase mit den Ergebnissen der Analysen exportiert werden und das Ergebnnis desktopseitig mit Hilfe von ArcGIS Pro angezeigt werden.

gis = GIS(url="https://arcgis.services.fbbgg.hs-woe.de/arcgis")
clust_Test_map = gis.map("Germany")
#clust_Test_sedf.spatial.plot(clust_Test_map, col="CLUSTER_ID", renderer_type='u', cmap="Set3")
clust_Test_sedf.spatial.plot(clust_Test_map)
clust_Test_map
1. Welle (02.03.2020 - 19.04.2020)

Falls das Ergebnis des zu erstellenden Time Series Clustering aus vorherigen Durchläufen bereits vorliegt wird dieses gelöscht.

Das Time Series Clustering wird über die arcpy Funktion arcpy.stpm.TimeSeriesClustering() mit Hilfe der Space-Time Cubes berechnet und in der Geodatabase abgelegt.

arcpy.management.Delete(os.path.join(results_dir, 'clust_1W'))
arcpy.stpm.TimeSeriesClustering(os.path.join(home_dir, 'stc_1W.nc'), "FAELLEEWZ_7_MEAN_ZEROS", os.path.join(results_dir,'clust_1W'), "VALUE", '', '', '', 'CREATE_POPUP')
- Random Seed: 1047

----------- Input Space Time Cube Details -----------
Time step interval                              3 days
                                                      
Shape Type                                     Polygon
                                                      
First time step temporal bias                  100.00%
First time step interval                         after
                                   2020-02-28 00:00:00
                                       to on or before
                                   2020-03-02 00:00:00
                                                      
Last time step temporal bias                     0.00%
Last time step interval                          after
                                   2020-04-16 00:00:00
                                       to on or before
                                   2020-04-19 00:00:00
                                                      
Number of time steps                                17
Number of locations analyzed                       411
Number of space time bins analyzed                6987
-----------------------------------------------------

------ Pseudo F-Statistic Summary ------
Number of Clusters      Highest Pseudo F
2                                343.575
3                                345.399
4                                344.554
5                                349.053
6                                316.089
7                                303.930
8                                284.093
9                                291.650
10                               282.693
----------------------------------------
Optimal number of clusters is 5 based on the highest pseudo F-statistic.


---- Trend Statistics for Average Time-Series ---
Cluster ID     Direction      Statistic     p-value
1              Increasing        2.9247      0.0034
2              Increasing        3.2542      0.0011
3              Increasing        3.5838      0.0003
4              Increasing        3.6661      0.0002
5              Increasing        3.2231      0.0013
-------------------------------------------------

- Number of Locations per Cluster -
Cluster ID      Number of Locations
1                               184
2                               138
3                                71
4                                17
5                                 1
-----------------------------------

Messages

Das Ergebnis der Analyse wird in ein "spatially-enabled" Dataframe umgewandelt um es anzeigen lassen zu können.

clust_1W_sedf = pd.DataFrame.spatial.from_featureclass(os.path.join(results_dir,'clust_1W'))
clust_1W_sedf
<style scoped> .dataframe tbody tr th:only-of-type { vertical-align: middle; } 
.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
</style>
OBJECTID LOCATION CLUSTER_ID CENTER_REP HTML_CHART SHAPE
0 1 0 1 0 <html>\n <head>\n <meta charset = "utf... {"rings": [[[526513.7528999997, 6075133.411900...
1 2 1 1 0 <html>\n <head>\n <meta charset = "utf... {"rings": [[[575841.5695000002, 6032148.0318],...
2 3 2 1 0 <html>\n <head>\n <meta charset = "utf... {"rings": [[[623056.1506000003, 5983746.4452],...
3 4 3 1 0 <html>\n <head>\n <meta charset = "utf... {"rings": [[[565015.6516000004, 6000637.513499...
4 5 4 1 0 <html>\n <head>\n <meta charset = "utf... {"rings": [[[479877.7912999997, 5990290.5867],...
... ... ... ... ... ... ...
406 407 406 1 0 <html>\n <head>\n <meta charset = "utf... {"rings": [[[786759.0349000003, 5831877.2039],...
407 408 407 2 0 <html>\n <head>\n <meta charset = "utf... {"rings": [[[793370.5291999998, 5821756.8627],...
408 409 408 2 0 <html>\n <head>\n <meta charset = "utf... {"rings": [[[796652.4819999998, 5832431.731000...
409 410 409 2 0 <html>\n <head>\n <meta charset = "utf... {"rings": [[[802213.7055000002, 5828350.9388],...
410 411 410 2 0 <html>\n <head>\n <meta charset = "utf... {"rings": [[[798532.9009999996, 5813120.180199...

411 rows × 6 columns

Dieser Layer kann nun angezeigt in einer Karte werden.

Bei der Ausführung kam es bei uns zu einem serverseitigen Anzeigefehler. Daher kann unter Datenexport die Geodatabase mit den Ergebnissen der Analysen exportiert werden und das Ergebnnis desktopseitig mit Hilfe von ArcGIS Pro angezeigt werden.

gis = GIS(url="https://arcgis.services.fbbgg.hs-woe.de/arcgis")
clust_1W_map = gis.map("Germany")
#clust_1W_sedf.spatial.plot(clust_1W_map, col="CLUSTER_ID", renderer_type='u', cmap="Set3")
clust_1W_sedf.spatial.plot(clust_1W_map)
clust_1W_map
2. Welle (05.10.2020 - 31.01.2021)

Falls das Ergebnis des zu erstellenden Time Series Clustering aus vorherigen Durchläufen bereits vorliegt wird dieses gelöscht.

Das Time Series Clustering wird über die arcpy Funktion arcpy.stpm.TimeSeriesClustering() mit Hilfe der Space-Time Cubes berechnet und in der Geodatabase abgelegt.

arcpy.management.Delete(os.path.join(results_dir, 'clust_2W'))
arcpy.stpm.TimeSeriesClustering(os.path.join(home_dir, 'stc_2W.nc'), "FAELLEEWZ_7_MEAN_ZEROS", os.path.join(results_dir,'clust_2W'), "VALUE", '', '', '', 'CREATE_POPUP')
- Random Seed: 6285

----------- Input Space Time Cube Details -----------
Time step interval                              1 week
                                                      
Shape Type                                     Polygon
                                                      
First time step temporal bias                   14.29%
First time step interval                         after
                                   2020-10-04 00:00:00
                                       to on or before
                                   2020-10-11 00:00:00
                                                      
Last time step temporal bias                     0.00%
Last time step interval                          after
                                   2021-01-24 00:00:00
                                       to on or before
                                   2021-01-31 00:00:00
                                                      
Number of time steps                                17
Number of locations analyzed                       411
Number of space time bins analyzed                6987
-----------------------------------------------------

------ Pseudo F-Statistic Summary ------
Number of Clusters      Highest Pseudo F
2                                239.648
3                                217.090
4                                211.833
5                                197.259
6                                180.188
7                                167.297
8                                159.630
9                                154.939
10                               142.569
----------------------------------------
Optimal number of clusters is 2 based on the highest pseudo F-statistic.


---- Trend Statistics for Average Time-Series ---
Cluster ID     Direction      Statistic     p-value
1              Increasing        2.0184      0.0435
2              Increasing        3.0894      0.0020
-------------------------------------------------

- Number of Locations per Cluster -
Cluster ID      Number of Locations
1                               367
2                                44
-----------------------------------

Messages

Das Ergebnis der Analyse wird in ein "spatially-enabled" Dataframe umgewandelt um es anzeigen lassen zu können.

clust_2W_sedf = pd.DataFrame.spatial.from_featureclass(os.path.join(results_dir,'clust_2W'))
clust_2W_sedf
<style scoped> .dataframe tbody tr th:only-of-type { vertical-align: middle; } 
.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
</style>
OBJECTID LOCATION CLUSTER_ID CENTER_REP HTML_CHART SHAPE
0 1 0 1 0 <html>\n <head>\n <meta charset = "utf... {"rings": [[[526513.7528999997, 6075133.411900...
1 2 1 1 0 <html>\n <head>\n <meta charset = "utf... {"rings": [[[575841.5695000002, 6032148.0318],...
2 3 2 1 0 <html>\n <head>\n <meta charset = "utf... {"rings": [[[623056.1506000003, 5983746.4452],...
3 4 3 1 0 <html>\n <head>\n <meta charset = "utf... {"rings": [[[565015.6516000004, 6000637.513499...
4 5 4 1 0 <html>\n <head>\n <meta charset = "utf... {"rings": [[[479877.7912999997, 5990290.5867],...
... ... ... ... ... ... ...
406 407 406 2 0 <html>\n <head>\n <meta charset = "utf... {"rings": [[[786759.0349000003, 5831877.2039],...
407 408 407 1 0 <html>\n <head>\n <meta charset = "utf... {"rings": [[[793370.5291999998, 5821756.8627],...
408 409 408 1 0 <html>\n <head>\n <meta charset = "utf... {"rings": [[[796652.4819999998, 5832431.731000...
409 410 409 1 0 <html>\n <head>\n <meta charset = "utf... {"rings": [[[802213.7055000002, 5828350.9388],...
410 411 410 1 0 <html>\n <head>\n <meta charset = "utf... {"rings": [[[798532.9009999996, 5813120.180199...

411 rows × 6 columns

Dieser Layer kann nun angezeigt in einer Karte werden.

Bei der Ausführung kam es bei uns zu einem serverseitigen Anzeigefehler. Daher kann unter Datenexport die Geodatabase mit den Ergebnissen der Analysen exportiert werden und das Ergebnnis desktopseitig mit Hilfe von ArcGIS Pro angezeigt werden.

gis = GIS(url="https://arcgis.services.fbbgg.hs-woe.de/arcgis")
clust_2W_map = gis.map("Germany")
#clust_2W_sedf.spatial.plot(clust_2W_map, col="CLUSTER_ID", renderer_type='u', cmap="Set3")
clust_2W_sedf.spatial.plot(clust_2W_map)
clust_2W_map
3. Welle (01.03.2021 - 16.05.2021)

Falls das Ergebnis des zu erstellenden Time Series Clustering aus vorherigen Durchläufen bereits vorliegt wird dieses gelöscht.

Das Time Series Clustering wird über die arcpy Funktion arcpy.stpm.TimeSeriesClustering() mit Hilfe der Space-Time Cubes berechnet und in der Geodatabase abgelegt.

arcpy.management.Delete(os.path.join(results_dir, 'clust_3W'))
arcpy.stpm.TimeSeriesClustering(os.path.join(home_dir, 'stc_3W.nc'), "FAELLEEWZ_7_MEAN_ZEROS", os.path.join(results_dir,'clust_3W'), "VALUE", '', '', '', 'CREATE_POPUP')
- Random Seed: 4872

----------- Input Space Time Cube Details -----------
Time step interval                              1 week
                                                      
Shape Type                                     Polygon
                                                      
First time step temporal bias                   14.29%
First time step interval                         after
                                   2021-02-28 00:00:00
                                       to on or before
                                   2021-03-07 00:00:00
                                                      
Last time step temporal bias                     0.00%
Last time step interval                          after
                                   2021-05-09 00:00:00
                                       to on or before
                                   2021-05-16 00:00:00
                                                      
Number of time steps                                11
Number of locations analyzed                       411
Number of space time bins analyzed                4521
-----------------------------------------------------

------ Pseudo F-Statistic Summary ------
Number of Clusters      Highest Pseudo F
2                                303.085
3                                285.452
4                                248.587
5                                226.151
6                                214.919
7                                202.793
8                                190.374
9                                186.982
10                               175.717
----------------------------------------
Optimal number of clusters is 2 based on the highest pseudo F-statistic.


------ Trend Statistics for Average Time-Series ------
Cluster ID     Direction           Statistic     p-value
1              Increasing             2.0241      0.0430
2              Not Significant        1.2456      0.2129
------------------------------------------------------

- Number of Locations per Cluster -
Cluster ID      Number of Locations
1                               317
2                                94
-----------------------------------

Messages

Das Ergebnis der Analyse wird in ein "spatially-enabled" Dataframe umgewandelt um es anzeigen lassen zu können.

clust_3W_sedf = pd.DataFrame.spatial.from_featureclass(os.path.join(results_dir,'clust_3W'))
clust_3W_sedf
<style scoped> .dataframe tbody tr th:only-of-type { vertical-align: middle; } 
.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
</style>
OBJECTID LOCATION CLUSTER_ID CENTER_REP HTML_CHART SHAPE
0 1 0 1 0 <html>\n <head>\n <meta charset = "utf... {"rings": [[[526513.7528999997, 6075133.411900...
1 2 1 1 0 <html>\n <head>\n <meta charset = "utf... {"rings": [[[575841.5695000002, 6032148.0318],...
2 3 2 1 0 <html>\n <head>\n <meta charset = "utf... {"rings": [[[623056.1506000003, 5983746.4452],...
3 4 3 1 0 <html>\n <head>\n <meta charset = "utf... {"rings": [[[565015.6516000004, 6000637.513499...
4 5 4 1 0 <html>\n <head>\n <meta charset = "utf... {"rings": [[[479877.7912999997, 5990290.5867],...
... ... ... ... ... ... ...
406 407 406 1 0 <html>\n <head>\n <meta charset = "utf... {"rings": [[[786759.0349000003, 5831877.2039],...
407 408 407 1 0 <html>\n <head>\n <meta charset = "utf... {"rings": [[[793370.5291999998, 5821756.8627],...
408 409 408 1 0 <html>\n <head>\n <meta charset = "utf... {"rings": [[[796652.4819999998, 5832431.731000...
409 410 409 1 0 <html>\n <head>\n <meta charset = "utf... {"rings": [[[802213.7055000002, 5828350.9388],...
410 411 410 1 0 <html>\n <head>\n <meta charset = "utf... {"rings": [[[798532.9009999996, 5813120.180199...

411 rows × 6 columns

Dieser Layer kann nun angezeigt in einer Karte werden.

Bei der Ausführung kam es bei uns zu einem serverseitigen Anzeigefehler. Daher kann unter Datenexport die Geodatabase mit den Ergebnissen der Analysen exportiert werden und das Ergebnnis desktopseitig mit Hilfe von ArcGIS Pro angezeigt werden.

gis = GIS(url="https://arcgis.services.fbbgg.hs-woe.de/arcgis")
clust_3W_map = gis.map("Germany")
#clust_3W_sedf.spatial.plot(clust_3W_map, col="CLUSTER_ID", renderer_type='u', cmap="Set3")
clust_3W_sedf.spatial.plot(clust_3W_map)
clust_3W_map
4. Welle (04.10.2021 - 02.01.2022)

Falls das Ergebnis des zu erstellenden Time Series Clustering aus vorherigen Durchläufen bereits vorliegt wird dieses gelöscht.

Das Time Series Clustering wird über die arcpy Funktion arcpy.stpm.TimeSeriesClustering() mit Hilfe der Space-Time Cubes berechnet und in der Geodatabase abgelegt.

arcpy.management.Delete(os.path.join(results_dir, 'clust_4W'))
arcpy.stpm.TimeSeriesClustering(os.path.join(home_dir, 'stc_4W.nc'), "FAELLEEWZ_7_MEAN_ZEROS", os.path.join(results_dir,'clust_4W'), "VALUE", '', '', '', 'CREATE_POPUP')
- Random Seed: 3630

----------- Input Space Time Cube Details -----------
Time step interval                              1 week
                                                      
Shape Type                                     Polygon
                                                      
First time step temporal bias                   14.29%
First time step interval                         after
                                   2021-10-03 00:00:00
                                       to on or before
                                   2021-10-10 00:00:00
                                                      
Last time step temporal bias                     0.00%
Last time step interval                          after
                                   2021-12-26 00:00:00
                                       to on or before
                                   2022-01-02 00:00:00
                                                      
Number of time steps                                13
Number of locations analyzed                       411
Number of space time bins analyzed                5343
-----------------------------------------------------

------ Pseudo F-Statistic Summary ------
Number of Clusters      Highest Pseudo F
2                                489.769
3                                499.579
4                                456.322
5                                435.479
6                                416.585
7                                404.540
8                                375.463
9                                348.351
10                               357.360
----------------------------------------
Optimal number of clusters is 3 based on the highest pseudo F-statistic.


---- Trend Statistics for Average Time-Series ---
Cluster ID     Direction      Statistic     p-value
1              Increasing        2.7454      0.0060
2              Increasing        2.1353      0.0327
3              Increasing        2.2573      0.0240
-------------------------------------------------

- Number of Locations per Cluster -
Cluster ID      Number of Locations
1                               218
2                               151
3                                42
-----------------------------------

Messages

Das Ergebnis der Analyse wird in ein "spatially-enabled" Dataframe umgewandelt um es anzeigen lassen zu können.

clust_4W_sedf = pd.DataFrame.spatial.from_featureclass(os.path.join(results_dir,'clust_4W'))
clust_4W_sedf
<style scoped> .dataframe tbody tr th:only-of-type { vertical-align: middle; } 
.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
</style>
OBJECTID LOCATION CLUSTER_ID CENTER_REP HTML_CHART SHAPE
0 1 0 1 0 <html>\n <head>\n <meta charset = "utf... {"rings": [[[526513.7528999997, 6075133.411900...
1 2 1 1 0 <html>\n <head>\n <meta charset = "utf... {"rings": [[[575841.5695000002, 6032148.0318],...
2 3 2 1 0 <html>\n <head>\n <meta charset = "utf... {"rings": [[[623056.1506000003, 5983746.4452],...
3 4 3 1 0 <html>\n <head>\n <meta charset = "utf... {"rings": [[[565015.6516000004, 6000637.513499...
4 5 4 1 0 <html>\n <head>\n <meta charset = "utf... {"rings": [[[479877.7912999997, 5990290.5867],...
... ... ... ... ... ... ...
406 407 406 1 0 <html>\n <head>\n <meta charset = "utf... {"rings": [[[786759.0349000003, 5831877.2039],...
407 408 407 1 0 <html>\n <head>\n <meta charset = "utf... {"rings": [[[793370.5291999998, 5821756.8627],...
408 409 408 1 0 <html>\n <head>\n <meta charset = "utf... {"rings": [[[796652.4819999998, 5832431.731000...
409 410 409 2 0 <html>\n <head>\n <meta charset = "utf... {"rings": [[[802213.7055000002, 5828350.9388],...
410 411 410 1 0 <html>\n <head>\n <meta charset = "utf... {"rings": [[[798532.9009999996, 5813120.180199...

411 rows × 6 columns

Dieser Layer kann nun angezeigt in einer Karte werden.

Bei der Ausführung kam es bei uns zu einem serverseitigen Anzeigefehler. Daher kann unter Datenexport die Geodatabase mit den Ergebnissen der Analysen exportiert werden und das Ergebnnis desktopseitig mit Hilfe von ArcGIS Pro angezeigt werden.

gis = GIS(url="https://arcgis.services.fbbgg.hs-woe.de/arcgis")
clust_4W_map = gis.map("Germany")
#clust_4W_sedf.spatial.plot(clust_4W_map, col="CLUSTER_ID", renderer_type='u', cmap="Set3")
clust_4W_sedf.spatial.plot(clust_4W_map)
clust_4W_map

Datenexport

Über den folgenden Ablauf kann die Geodatabase im home-Verzeichnis des ArcGIS-Enterprise heruntergeladen werden. Diese kann entpackt und in ArcGIS Pro eingeladen werden. Damit können alle darin enthaltenen Ergebnisse angezeigt werden.

import zipfile
zip = zipfile.ZipFile(os.path.join(home_dir, 'Results.zip'), 'w', zipfile.ZIP_DEFLATED)
path = os.path.normpath(results_dir)
for (dirpath, dirnames, filenames) in os.walk(path):
    for file in filenames:
        zip.write(os.path.join(dirpath, file),
        os.path.join(os.path.basename(path), os.path.join(dirpath, file)[len(path)+len(os.sep):]))
zip.close()