青岛公交线路与换乘网络

1. 用数字和专线关键词模糊搜索线路
2. 收集返回的线路 ID，并去重
3. 按 ID 查询站点、距离与轨迹
4. 根据首站位置过滤范围，得到 874 条有效线路

报告记录，常规关键词查询每日只有 100 次额度，因此采用模糊匹配，并通过 JS 平台 Key 收集线路 ID，再使用线路 ID 查询取得详情。约 1,000 个关键词是采集策略的一部分，并非一次请求能查询全部关键词。

我负责提供高德 API 并确定所需数据，AI 协助编写 Python 请求和解析代码。Requests 发送请求，JSON 解析返回内容，Pandas 将结果保存成表格。

1. 关键词查询逐个执行，每次完成后等待 0.3 秒
2. 按排序后的线路 ID 逐个请求详情
3. 每处理 50 个 ID，保存当前累计线路与站点
4. 每个 ID 处理后等待 0.03 秒，结束时再保存最终结果

采集分为“搜索 ID”和“查询详情”两个步骤，分别控制请求节奏。0.3 秒和 0.03 秒是每次处理完成后的等待时间，还需要加上请求本身耗时。

线路和站点分别保存为 Excel；每 50 个 ID 保存的是当前累计结果。已有文件可以直接交给后续清洗使用，重新启动采集脚本时仍会请求候选 ID 的详情。

1. 检查线路名称、距离和站点坐标
2. 删除无效记录，并按规则去重
3. 将轨迹字符串拆成有顺序的经纬度点
4. 得到线路表、站点表与轨迹表

站点行程记录表示某条线路经过某一站。同一个站被多条线路经过，会在站点表中出现多次，所以站点记录数与唯一站点数不同。

GCJ-02 是高德采用的地图坐标系。数据与底图使用同一套坐标，可以直接叠加；这和经纬度是否需要换算成十进制度是两个不同问题。

1. 读取清洗后的站点与线路轨迹
2. 在高德底图上展示站点、线路和路网
3. Plotly 按需显示线路，Folium 增强地图交互
4. 通过搜索、图层切换和高亮查看具体线路

两种地图处理的是同一批整理后的资料。Plotly 通过限制首次显示的线路数量减少同时绘制的内容；Folium 通过站点聚合、独立图层与线路高亮，方便查看密集区域和具体路线。

地图用于观察线路走向、站点分布和跨区域连接。具体线路之间是否存在共同站点，由后面的网络建模单独计算。

1. 读取 874 条线路的长度、站点数和起终点坐标
2. 分别计算长度、站数、站距与绕行程度
3. 生成统计图和结果表
4. 描述这批线路的基本特征

平均站距为什么要减去线路数？一条有 5 个站点的线路，只有 4 段相邻站点区间。对所有线路加总，区间数就是站点行程总数减线路数，再用总里程除以区间数。

非直线系数表示实际路线相对起终点直线距离长多少。例如某条线路该系数为 1.61，表示实际长度为起终点直线距离的 1.61 倍；报告中的 1.61 是各线路的中位数。

Pandas 计算统计量，Haversine 公式根据经纬度求球面直线距离，Matplotlib 绘制分布图和散点图。结合地图，可以继续观察线路长度、站点数和走向之间的关系。

1. 每条线路对应一个节点，整理它经过的站名集合
2. 逐对比较线路，共比较 381,501 对
3. 至少有一个共同站名 → 建立一条无向连接
4. 保存 874 个节点与 25,929 条连接

例如 A 线经过甲、乙、丙站，B 线经过乙、丁站，两条线路有共同站名“乙”，程序就建立连接。若有两个共同站名，连接上记录的数量就是 2。

874 条线路每对只比较一次，共 874×873÷2＝381,501 对。连接数占所有可能线路对的比例约为 6.8%，即网络密度约 0.068。

NetworkX 生成无向网络，导出 GEXF 文件、连接表和各线路直接相连数量表。匹配依据为相同站名，实际换乘还需考虑站点位置与步行条件。

1. 统计每条线路直接相连的线路数量
2. 找出彼此能够到达的线路集合
3. 在最大连通部分计算最短路径
4. 结合聚类系数描述局部连接与整体可达关系

这些数字分别回答“直接连接多不多”“大部分线路能否互达”“需要经过多少条连接”。平均路径 2.57 的范围是最大连通部分，不直接表示任意两个地理位置的实际换乘次数。

采集材料包含地铁 1 号线等轨道线路，因此这里的网络按采集到的公共交通线路理解。最终将指标、连接较多的线路和统计图整理到综合页面、答辩展示及项目报告中。