Wiener Straßenquartett¶
Zählstellen¶
Das sind die Stellen in der Stadt an denen Verkehrsaufkommen gemessen wird.
Quelle: https://www.data.gv.at/katalog/dataset/4707e82a-154f-48b2-864c-89fffc6334e1
Abgerufen: 18.05.2025
In [2]:
import pandas as pd
zaehlstellen = pd.read_csv("datasets/zaehlstellen.csv")
zaehlstellen.head()
Out[2]:
Das Datenset enthält auch Zählstellen für Radverkehr.
Hier nicht relevant, deshalb entfernen.
In [3]:
zaehlstellen = zaehlstellen[zaehlstellen['GERAETEART'] != 'R_SG']
Eine der vier Metriken der Quartettkarten ist die Spurenanzahl.
Zählstellenposition auf Google Street View ansteuern und zählen.
Abgerufen 18.05.2025
In [4]:
lanes_mapping = {
1075: 6,
1078: 7,
1089: 4,
1096: 4,
1131: 6,
1170: 8,
1171: 2,
1172: 4,
1177: 4,
1179: 6,
1180: 3,
1181: 2,
1182: 6,
1184: 2,
1187: 4,
1188: 5,
1189: 5,
1190: 3,
1191: 6,
1192: 3,
1193: 4,
1194: 3,
1195: 2,
1196: 5,
1197: 3,
1198: 3,
1199: 2,
1200: 2,
1201: 2,
1202: 2,
1203: 3,
1204: 3,
1205: 2,
1206: 2,
1207: 4,
1208: 5,
1209: 5,
1210: 2,
1211: 6,
1212: 5,
1213: 3,
1214: 2,
1215: 5,
1216: 3,
1217: 6,
1218: 2,
1219: 2,
1220: 4,
1221: 4,
1222: 3,
1223: 4,
1224: 6,
1600: 2,
1603: 3,
1607: 3,
1608: 8,
1609: 3,
1610: 4,
1611: 2,
1612: 2,
1613: 2,
1614: 2,
1615: 3,
1616: 2,
1617: 2,
1618: 2,
1619: 2,
1620: 2,
1621: 7,
1622: 2,
1623: 2,
1624: 2,
1625: 4,
1626: 5,
1627: 2
}
zaehlstellen['LANES'] = zaehlstellen['ZST_ID'].map(lanes_mapping)
zaehlstellen[['ZST_NAME', 'ZST_ID', 'LANES']].head()
Out[4]:
Jede Quartettkarte braucht eine Kurzbeschreibung unter dem Titel.
Dafür Wien-Geschichte-Wiki-Artikel (https://www.geschichtewiki.wien.gv.at) zu Straße auf der die jeweilige Zählstelle liegt zusammenfassen mit ChatGPT.
In [5]:
description_mapping = {
1623: "Benannt nach der Gemeinde Breitenlee, früher Pressburger Straße.",
1612: "Benannt nach Josephine Haas von Längenfeld-Pfalzheim, Stifterin.",
1620: "Benannt nach Robert Endres, früher Teil der Hauptstraße.",
1187: "Historische Handelsstraße nach Triest, ab 1934 verbreitert.",
1191: "Teil der Westeinfahrt Wiens, gebaut in den 1930er Jahren.",
1197: "Benannt nach Breitenlee, um 1830 als Pressburger Straße bekannt.",
1205: "Benannt zur Wahrung des Namens Hernals, seit 1905 verändert.",
1206: "Benannt nach Hütteldorf, früher Breitenseer-Hütteldorfer Straße.",
1211: "Benannt nach Laxenburg, 1971 zur modernen Durchzugsstraße ausgebaut.",
1212: "Benannt nach dem 22. Bezirk Donaustadt, seit 1971.",
1600: "Verbindet die Stadt mit Schönbrunn, früher Hundsturmerstraße.",
1614: "Benannt nach der Ansiedlung Maxing, führt nach Küniglberg.",
1616: "Benannt nach dem Vorort Gersthof, früher Gersthofer Hauptstraße.",
1184: "Benannt nach Himberg, früher Teil der Favoritenstraße.",
1192: "Folgt einer mittelalterlichen Ausfallstraße, 1938-45 umbenannt.",
1210: "Benannt nach Dr. Josef Kopp, früher Teil der Neustiftgasse.",
1216: "Benannt nach Perchtoldsdorf, einer Nachbargemeinde Wiens.",
1609: "Teil des Währinger Gürtels, früher Linienwall.",
1181: "Früher Liesinger Weg, später Breitenfurter Waldämtliche Straße.",
1195: "Benannt nach Deutsch-Wagram, früher Süßenbrunner Straße.",
1198: "Verbindet Wien mit Brünn, 1736 als Reichsstraße angelegt.",
1208: "Benannt nach dem Wienerberg, früher Meidlinger Straße.",
1209: "Benannt nach Atzgersdorf, mehrfach verlängert und verändert.",
1214: "Einer der ältesten Verkehrswege Wiens, seit 1862 benannt.",
1619: "Früher Liesinger Weg, ab 1888 Breitenfurter Straße.",
1170: "Franz-Josefs-Kai, ehemals Teil der Stadtmauern, stark befahren.",
1618: "Benannt nach Werner von Siemens, früher Leopoldauerstraße.",
1622: "Benannt nach Himberg, ehemals Teil der Favoritenstraße.",
1078: "Wichtiger Verkehrsknotenpunkt, zweitgrößtes Verkehrsbauwerk Wiens.",
1177: "Benannt nach dem Donauhandel, früher Handelsquai.",
1180: "Führt über eine Anhöhe zwischen Rodaun und Perchtoldsdorf.",
1199: "Benannt nach dem Ortsnamen Essling.",
1215: "Benannt nach Erzherzog Carl, früher Asperner Straße.",
1194: "Historische Reichsstraße nach Prag, seit 1728.",
1201: "Benannt nach Bäumen aus Vorarlberg, seit 1990 offiziell.",
1202: "Verbindungsstraße bei Vösendorf.",
1207: "Benannt nach Altmannsdorf, früher Laxenburger Straße.",
1200: "Benannt nach Bäumen aus Vorarlberg, seit 1990 offiziell.",
1624: "Benannt nach der Ortschaft Seyring, früher Leopoldauer Platz.",
1608: "Benannt nach der Vorstadt Margareten, Teil des Gürtelsystems.",
1610: "Teil des Währinger Gürtels, früher Linienwall.",
1131: "Benannt nach Karl VI., früher eine Aulandschaft.",
1172: "Begleitstraße des Donaukanals, stark befahren, seit 1857.",
1182: "Römische Militärstraße, Teil der historischen Limesstraße.",
1188: "Benannt nach Altmannsdorf, früher Laxenburger Allee.",
1189: "Benannt nach der Fabrikantenfamilie Shuttleworth.",
1193: "Benannt nach Heiligenstadt, früher Nußdorfer Straße.",
1196: "Benannt nach Erzherzog Carl, früher Asperner Straße.",
1204: "Erinnert an die Türkenbelagerungen, früher Am Glacis.",
1607: "Begleitet den Donaukanal, früher Teil der Pressburger Bahn.",
1615: "Benannt nach Ludwig Freiherr von Gablenz, früher Burggasse.",
1611: "Römische Militärstraße, Teil der historischen Limesstraße.",
1613: "Benannt nach Lainz, urkundlich seit 1313 belegt.",
1213: "Benannt nach der Hofburg, eine der ältesten Straßen Wiens.",
1603: "Benannt nach Hirschstetten, früher Hirschstettner Hauptstraße.",
1617: "Benannt nach Angern an der March, früher Bahngasse.",
1075: "Doppelstockbrücke für Auto-, U-Bahn- und Radverkehr.",
1089: "Ersetzt die Kaiser-Franz-Josephs-Brücke, 1978 neu eröffnet.",
1096: "Straßenbrücke über die Donau, seit 1982 in Betrieb.",
1171: "Benannt nach dem Verlauf entlang des Donaukanals.",
1179: "Benannt nach Brunn am Gebirge, südlich von Wien.",
1190: "Straßenname unklar, keine weiteren Informationen verfügbar.",
1203: "Benannt nach Maria Theresia, früher Teil einer Allee.",
1218: "Verbindungsstraße bei Leopoldsdorf.",
1217: "Benannt nach den dortigen Museen, früher Hofstallstraße.",
1219: "Benannt nach dem Fabrikanten Stephan Barawitzka.",
1220: "Historisch gewachsene Vorstadtstraße mit repräsentativen Gebäuden.",
1625: "Benannt nach dem Taubstummeninstitut, seit 1816 erwähnt.",
1626: "Benannt nach Ludwig von Höhnel, historisch umstritten.",
1627: "Benannt nach der Ried Felbern, bedeutet Weidenbaum.",
1221: "Benannt nach einem historischen Flurnamen, früher Grenzweg.",
1222: "Benannt nach der Universität Wien, früher Franzensring.",
1223: "Benannt nach dem Dichter Adalbert Stifter.",
1224: "Benannt nach Deutsch-Wagram, früher Süßenbrunner Straße.",
1621: "Teil des Währinger Gürtels, früher Linienwall."
}
zaehlstellen['DESCRIPTION'] = zaehlstellen['ZST_ID'].map(description_mapping)
zaehlstellen[['ZST_NAME', 'ZST_ID', 'DESCRIPTION']].head()
Out[5]:
Die Zählstellenkoordinaten liegen als WKT-Spalte vor.
Auf separate Long- und Lat-Spalten verteilen.
In [6]:
zaehlstellen['LATITUDE'] = zaehlstellen['SHAPE'].apply(lambda x: float(x[7:].split()[1][:-1]))
zaehlstellen['LONGITUDE'] = zaehlstellen['SHAPE'].apply(lambda x: float(x[7:].split()[0]))
zaehlstellen[['ZST_NAME', 'LATITUDE', 'LONGITUDE']].head()
Out[6]:
Jede Quartettkarte inkludiert das Wappen des Bezirks in dem sich die jeweilige Zählstelle befindet.
Dafür PLZ der Zählstellenkoordinate ermitteln.
In [7]:
from joblib import Memory
import time
from geopy.geocoders import Nominatim
from geopy.exc import GeocoderTimedOut
memory = Memory("./cache", verbose=0)
geolocator = Nominatim(user_agent="postcode_retriever")
# https://stackoverflow.com/questions/75202475/joblib-persistence-across-sessions-machines/
def cache(mem, module, **mem_kwargs):
def cache_(f):
f.__module__ = module
f.__qualname__ = f.__name__
return mem.cache(f, **mem_kwargs)
return cache_
@cache(memory, "verkehrszaehlungen")
def get_postcode(lat, lon):
time.sleep(1) # Nominatim rate limit respektieren
try:
location = geolocator.reverse((lat, lon), exactly_one=True)
if location and 'address' in location.raw:
return location.raw['address'].get('postcode', None)
except GeocoderTimedOut:
return None
zaehlstellen['PLZ'] = zaehlstellen.apply(lambda row: get_postcode(row['LATITUDE'], row['LONGITUDE']), axis=1)
zaehlstellen[['ZST_NAME', 'PLZ']].head()
Out[7]:
Sind eh alle Zählstellen in Wien bzw. haben eine Wiener PLZ?
In [8]:
zaehlstellen[~zaehlstellen['PLZ'].astype(str).str.startswith('1')]
Out[8]:
Ja!
Zählwerte¶
Das sind die eigentlichen Messwerte des Verkehrsaufkommens.
Quelle: https://www.data.gv.at/katalog/dataset/4707e82a-154f-48b2-864c-89fffc6334e1
Abgerufen: 18.05.2025
In [9]:
zaehlungen = pd.read_csv("datasets/zaehlungen.csv", encoding="latin", sep=";")
zaehlungen.head()
Out[9]:
Getrennte JAHR- und MONAT-Spalte zu einer Datumsspalte zusammenführen.
In [10]:
month_mapping = {
'JAN.': 1, 'FEB.': 2, 'MÄRZ': 3, 'APRIL': 4, 'MAI': 5, 'JUNI': 6,
'JULI': 7, 'AUG.': 8, 'SEP.': 9, 'OKT.': 10, 'NOV.': 11, 'DEZ.': 12
}
zaehlungen['MONAT'] = zaehlungen['MONAT'].map(month_mapping)
zaehlungen = zaehlungen.rename(columns={'MONAT': 'MONTH', 'JAHR': 'YEAR'})
zaehlungen['DATE'] = pd.to_datetime(zaehlungen[['YEAR', 'MONTH']].assign(DAY=1))
zaehlungen[['DATE', 'ZNAME']].head()
Out[10]:
Zählstellen mit Zählwerten verknüpfen¶
Kann jeder Zählwert einer Zählstelle zugeordnet werden?
In [11]:
set(zaehlungen['ZNR']) - set(zaehlstellen['ZST_ID'])
Out[11]:
Nope! Welche Zählstellen fehlen?
In [12]:
set(zaehlungen[(zaehlungen['ZNR'] == 1185) | (zaehlungen['ZNR'] == 1605) | (zaehlungen['ZNR'] == 1606)]['ZNAME'])
Out[12]:
Von den fehlenden Zählstellen sind nur die Straßennamen bekannt.
Die Koordinate in etwa auf den Mittelpunkt der Straße legen.
Fehlende Zählstellen konstruieren, einfügen und die beiden Datensätze verknüpfen.
In [13]:
zaehlstellen = pd.concat([zaehlstellen, pd.DataFrame.from_records([{ 'ZST_ID': 1185, 'ZST_NAME': 'Neustiftgasse' ,'LONGITUDE': 16.34754073472826, 'LATITUDE': 48.205706700846775, 'PLZ': 1070, 'LANES': 2 , 'DESCRIPTION': 'Einer der ältesten Verkehrswege Wiens, seit 1862 benannt.' }])])
zaehlstellen = pd.concat([zaehlstellen, pd.DataFrame.from_records([{ 'ZST_ID': 1605, 'ZST_NAME': 'Burggasse' , 'LONGITUDE': 16.347385492037365, 'LATITUDE': 48.20443811428511, 'PLZ': 1070,'LANES': 2, 'DESCRIPTION': 'Benannt nach der Hofburg, eine der ältesten Straßen Wiens.' }])])
zaehlstellen = pd.concat([zaehlstellen, pd.DataFrame.from_records([{ 'ZST_ID': 1606, 'ZST_NAME': 'Leopoldsdorfer Straße' , 'LONGITUDE': 16.39689203897414, 'LATITUDE': 48.13088363172005, 'PLZ': 1100,'LANES': 2, 'DESCRIPTION': 'Führt nach Leopoldsdorf, 1956 durch Blumengasse verlängert.' }])])
zaehlungen = pd.merge(zaehlstellen, zaehlungen, left_on="ZST_ID", right_on="ZNR", how="inner")
Die verknüpften Zählwerte auf relevante Spalten reduzieren.
Wichtige Abkürzungen:
- DTVMS = Durchschnittlicher täglicher Verkehr Montag bis Sonntag
- RINAME = Richtungsname
- FZTYP = Fahrzeugtyp (Kfz/LkwÄ)
In [14]:
zaehlungen = zaehlungen[['DATE', 'ZST_ID', 'ZST_NAME', 'DESCRIPTION', 'LATITUDE', 'LONGITUDE', 'PLZ', 'RINAME', 'FZTYP', 'DTVMS', 'LANES']]
zaehlungen.head()
Out[14]:
Jeder Zählwert (Zeile im Datensatz) enthält die Messwerte an einer Zählstelle für:
- einen Monat
- eine Fahrrichtung
- einen Fahrzeugtypen
Als erstes die Zählwerte auf jeweils jene Fahrtrichtung mit den höchsten Messwerten reduzieren.
Pro Zählstelle, Monat und Fahrzeugtyp gibt es je drei Zählwerte:
- Richtung A
- Richtung B
- Gesamt.
Für Einbahnen sind die Messwerte der Gegenrichtung sowie für Gesamt gleich -1.
Zählwerte reduzieren auf jene mit dem höchsten Messwert.
In [15]:
zaehlungen = zaehlungen.groupby(list(zaehlungen.columns.drop(['DTVMS', 'RINAME'])), as_index=False).agg({ 'DTVMS': 'max' })
zaehlungen.head()
Out[15]:
Als nächstes Messwerte für verschiedene Fahrzeugtypen summieren und LKW-Anteil berechnen.
In [16]:
dtvms_sum = zaehlungen.groupby(list(zaehlungen.columns.drop(['DTVMS', 'FZTYP'])))['DTVMS'].transform('sum')
zaehlungen['LKWRATIO'] = zaehlungen['DTVMS'] / dtvms_sum
zaehlungen['DTVMS'] = dtvms_sum
zaehlungen = zaehlungen[zaehlungen['FZTYP'] == 'LkwÄ']
zaehlungen = zaehlungen.drop('FZTYP', axis=1)
zaehlungen.head()
Out[16]:
Die prozentuelle Veränderung der Messwerte einer Zählstelle über die letzten fünf Jahre berechnen.
Dazu zunächst die durchschnittlichen Zählwerte für das Jahr 2019 berechnen und in einer eigenen Spalte speichern.
In [17]:
dtvms2019 = zaehlungen[zaehlungen['DATE'].dt.year == 2019].groupby('ZST_NAME')['DTVMS'].mean().reset_index()
dtvms2019 = dtvms2019.rename(columns={ 'DTVMS': 'DTVMS2019' })
zaehlungen = zaehlungen.merge(dtvms2019, on='ZST_NAME', how='left')
zaehlungen.head()
Out[17]:
Dann die durchschnittlichen Zählwerte für 2024 berechnen.
In [18]:
zaehlungen = zaehlungen[zaehlungen['DATE'].dt.year == 2024]
zaehlungen = zaehlungen.groupby(list(zaehlungen.columns.drop(['DATE', 'DTVMS', 'LKWRATIO', 'DTVMS2019'])), as_index=False).agg({ 'DTVMS': 'mean', 'LKWRATIO': 'mean', 'DTVMS2019': 'max' })
zaehlungen.head()
Out[18]:
Dann die prozentuelle Veränderung der 2019er-Werte zum 2024er-Wert hin berechnen.
In [19]:
zaehlungen['TREND'] = (zaehlungen['DTVMS'] - zaehlungen['DTVMS2019']) / zaehlungen['DTVMS2019']
zaehlungen = zaehlungen.drop('DTVMS2019', axis=1)
zaehlungen.head()
Out[19]:
Jede Quartettkarte gehört einer Kategorie an.
Jede Kategorie umfasst genau vier Karten.
Bei 71 Zählstellen müssen drei Zählstellen entfernt werden ... 71 % 4 = 3
Zu entfernende Zählstellen erhalten im Kategorie-Mapping den Wert -1
Die restlichen möglichst sinnvollen Kategorien zuordnen.
Jede Karte enthält auch drei Verweise auf die anderen Karten in der jeweiligen Kategorie (siehe create_linked_strings).
In [20]:
categories = {
1: 'Am Gürtel',
2: 'Uferstraßen',
3: 'Brücken',
4: 'Zweierlinie',
5: 'Stadteinfahrten Nord',
6: 'Stadteinfahrten Süd',
7: 'Autobahnzufahrten',
8: 'Gewerbegebiete Süd',
9: 'Hauptverkehrsstraßen Süd',
10: 'Sehenswürdigkeiten',
11: 'Im Wienerwald',
12: 'Hauptverkehrsstraßen Nord',
13: 'Gewerbegebiete Nord',
14: 'Wohnstraßen Zentrum',
15: 'Wohnstraßen West',
16: 'Wohnstraßen Süd',
17: 'Wohnstraßen Nord'
}
categories_mapping = {
1078: 1,
1621: 1,
1170: 2,
1608: 1,
1207: 9,
1191: 11,
1075: 3,
1193: 2,
1131: 10,
1179: 8,
1221: 9,
1215: 12,
1089: 3,
1096: 3,
1220: 4,
1222: 10,
1607: 2,
1177: 2,
1219: 17,
1196: 12,
1626: 7,
1208: 9,
1212: 12,
1224: 12,
1189: -1, # Shuttleworthstraße entfernen
1223: 3,
1188: 9,
1182: 6,
1187: 6,
1211: 8,
1217: 4,
1612: -1, # Längenfeldgasse entfernen
1199: 5,
1209: 16,
1198: 5,
1600: 1,
1197: 5,
1619: 6,
1205: 15,
1618: 13,
1616: 17,
1627: 14,
1210: 15,
1603: 13,
1204: 4,
1611: 10,
1617: 17,
1615: 15,
1200: 8,
1623: 13,
1181: 11,
1202: 7,
1192: 11,
1624: 17,
1190: -1, # Angyalföldstraße entfernen
1614: 10,
1613: 16,
1625: 14,
1203: 4,
1622: 6,
1206: 15,
1180: 11,
1184: 7,
1194: 13,
1214: 14,
1213: 14,
1218: 7,
1201: 8,
1216: 16,
1195: 5,
1620: 16,
}
zaehlungen['CATEGORY_ID'] = zaehlungen['ZST_ID'].map(categories_mapping)
zaehlungen = zaehlungen[zaehlungen['CATEGORY_ID'] != -1]
zaehlungen['CATEGORY'] = zaehlungen['CATEGORY_ID'].map(categories)
zaehlungen['CATEGORY_ID_UNIQUE'] = zaehlungen['CATEGORY_ID'].astype(str) + zaehlungen.groupby('CATEGORY_ID').cumcount().map(lambda x: ['A', 'B', 'C', 'D'][x])
def create_linked_strings(group):
linked_entries = []
for _, row in group.iterrows():
others = group[group['CATEGORY_ID_UNIQUE'] != row['CATEGORY_ID_UNIQUE']]
linked_strings = others.apply(
lambda other: f"{other['CATEGORY_ID_UNIQUE'][-1].lower()}) {other['ZST_NAME']}", axis=1
).tolist()
if len(linked_strings) != 3:
raise ValueError("Zu jeder Quartett-Kategorie muss es genau vier Karten geben")
linked_strings = linked_strings[:3]
linked_entries.append(linked_strings)
group = group.copy()
group[['LINK1', 'LINK2', 'LINK3']] = linked_entries
return group
zaehlungen = zaehlungen.groupby('CATEGORY_ID', group_keys=False, as_index=False).apply(lambda group: create_linked_strings(group.reset_index(drop=True)), include_groups=True)
zaehlungen = zaehlungen.drop(columns=['CATEGORY_ID'])
zaehlungen = zaehlungen.rename(columns={'CATEGORY_ID_UNIQUE': 'CATEGORY_ID'})
zaehlungen = zaehlungen.reset_index()
zaehlungen[['ZST_NAME', 'ZST_ID', 'CATEGORY', 'CATEGORY_ID', 'LINK1', 'LINK2', 'LINK3']].head()
Out[20]:
Die aufbereiteten Daten sichten...
In [21]:
zaehlungen = zaehlungen.sort_values('DTVMS', ascending=False)
with pd.option_context('display.max_rows', None, 'display.max_columns', None):
display(zaehlungen)
... und als JSON abspeichern.
In [22]:
zaehlungen.to_json('web/quartett.json', orient="records", index=False)