Ceci est un tutoriel pour ceux qui souhaitent faire des graphiques comprenant plusieurs lignes générées automatiquement, à partir de la table attributaire du .shp ouvert et sélectionné avec PyQgis.
Jeu de donnée
La donnée exploitée est issue des Opendata de la SNCF concernant les taux de ponctualité et du STIF pour les fichiers Shape des gares RER en Ile-de-France.
Le taux de ponctualité est une moyenne de chaque ligne des RER relevé mensuellement. Ainsi, ce que l’on cherche à montrer est ce taux de ponctualité, pour une période choisie avec un nombre de ligne qui varie en fonction de la station choisie.
Pour notre exemple, nous avons pris le cas de la station de Châtelet-les-Halles où passe le RER A, B et D mais attention les données sont relevé pour l’ensemble des stations et pas que pour celle de Châtelet.
Manipulations préliminaires
Après jointure des deux données à l’aide de Qgis (déjà faite ici), ouvrir le nouveau Shape créé et nommé « gare_chatelet_j » dans Qgis également. Y ouvrir la table attributaire afin de prendre connaissance de la donnée. Les valeurs jointes et exploitables de la couche sont dans les colonnes à la fin.
La période à utiliser se trouve dans la colonne « date » et les lignes à tracer sont les colonnes respectives « RER_A », « RER_B » et « RER_D ».
Puis, on ouvre dans « extension », la console Python :
On ouvre également le fichier .py, lu comme un fichier .txt, comprenant le script.
Il faut modifier i = date de départ, k = date de fin et p = sélection de la 1ère colonne équivalent à la 1ère courbe, q = idem pour la dernière courbe à avoir.
Le but est de prendre toutes les données comprises entre ces bornes.
Ctrl+a, Ctrl+c
Aller dans Qgis sur la console Python :
Faire Ctrl+v à côté du >>> et votre graphique va apparaître automatiquement.
Script
import os
import time
import numpy
from pylab import *
import dateutil
from qgis.utils import iface
import matplotlib.pyplot as plt
layer = qgis.utils.iface.activeLayer() #selection de la couche en cours d’utilisation
i=’2013-01′ #variable de la date de départ MODIFIABLE
k=’2013-12′ # variable de la date de fin MODIFIABLE
p=’RER_A’ #MODIFIABLE
q=’RER_D’ #MODIFIABLE
##selection des colonnes ‘toto’, ‘titi’,’tata’ par la detection du numero de colonne inscrit par la fenetre
cold = layer.fieldNameIndex(p) #detection numero de col depart
colf = layer.fieldNameIndex(q) #detection numero de col fin
##creation de listes vides
abscisses = [] #Liste vide pour les abscisses
ordonnees=[[] for a in range (cold,colf+1)] #pareil pour l’ordonnee avec une condition de a inclus
#entre cold et colf qui developpe a * ([])
##selection de toutes les donnees en abscisse, de la colonne date dans liste
for ligne in layer.getFeatures(): #importation ligne par ligne des attributs du shape
#on nomme la fonction ‘op’ qui est egale a
# »dans la colonne date, on selectionne les lignes »
abscisses.append(ligne[‘date’])
##traduction des valeurs introduites en abscisses (ici date) en index (soit le numero de la ligne)
bla=abscisses.index(i)
blo=abscisses.index(k)
#definition de la boucle pour selectionner les donnees
tp=[] #definition d’une liste vide
for ligne in layer.getFeatures(): #pareil que precedement
op=abscisses.index(ligne[‘date’]) #creation de « op » qui comprend la liste des valeurs index de la colonne ‘date’
a=0 #compteur
if int(op)>=(bla) and int(op)<=(blo): #delimitation des bornes de debut et fin pour les dates a selectionner
#par condition
tp.append(int(op)) #si op est compris entre bla et blo (les dates choisies), alors on ajoute dans la liste ‘tp’
#les valeurs index comprises dans cette borne [bla;blo]
while (cold+a)<=colf : #Boucle : tant que cold+a est inférieur à colf
ordonnees[a].append(ligne[cold+a]) # pour l’ordonnee, on inclut les donnees des colonnes choisies
#par exemple, ordonnees[0] contient les valeurs de la colonne cold
a+=1 #fin de la boucle pour revenir à a=a+1
##insertion des listes dans des matrices (pour avoir x et y dans la meme dimension)
n_dates=numpy.array(tp) #matrice pour x
n_ordonnees=numpy.array(ordonnees) #matrice pour y
##selection du nom des champs (pour la legende)
fields=layer.pendingFields()
fieldus=[field.name() for field in fields]
##generescence du graph
z=0 #nouveau compteur pour boucle
while (cold+z)<=(colf): #pareil que la boucle precedente
plot(n_dates, n_ordonnees[z], ls=’-‘, label=fieldus[cold+z]) #on pose les conditions du graph soit
#(x,y,la couleur des courbes(modifiable par une autre boucle, type de ligne)
z+=1 #fin de la boucle
##definition d’une autre boucle pour la nomination des noms en abscisse pour le graphique
liste=[]
for ligne in layer.getFeatures():
liste.append(ligne[‘date’])
##Mise en page du graphique
plt.xlim()
plt.ylim()
plt.title(‘Releve de la ponctualite pour les RER de la gare de Chatelet-Les-Halles en 2013’) # insertion du titre
plt.xlabel(‘annee/mois’) #insertion du nom de l’abscisse
plt.ylabel(‘Taux de ponctualite’) #pareil pour l’ordonnee
plt.xticks(n_dates, liste)
plt.legend()
plt.grid(True, ‘major’, ‘y’, ls=’–‘, lw=.5, c=’k’, alpha=.3) #creation de pointilles
plt.legend()
plt.show() #execution du graph
Contexte
Etudiante en Master 1, Géomatique appliquée aux études urbaines et aux risques à l’Université de Cergy-Pontoise et actuellement stagiaire à la direction ingénierie et projets de SNCF Réseau, mon projet est de développer des outils SIG pour les données d’auscultation d’ouvrages d’art.
Ainsi, l’une des solutions apportée fut de créer un graphique comprenant plusieurs points relevés par période aléatoire en fonction du chantier. On y mesure l’altitude à chaque déplacement, relevée par les géomètres et on compare dans le temps l’évolution des points pour voir s’il y a une différence avec les relevés précédents.
Dossier : data_diffusion 2