Données de sécurité de Seattle

Dispatches du 911/des pompiers de Seattle.

Notes

Microsoft fournit Azure Open Datasets « en l’état ». Microsoft n’offre aucune garantie, expresse ou implicite, ni de conditions relatives à votre utilisation des jeux de données. Dans la mesure autorisée par votre droit local, Microsoft décline toute responsabilité pour les dommages ou pertes, y compris directs, consécutifs, spéciaux, indirects ou punitifs, résultant de votre utilisation des jeux de données.

Ce jeu de données est fourni selon les conditions initiales par lesquelles Microsoft a reçu les données sources. Le jeu de données peut inclure des données provenant de Microsoft.

Volume et conservation

Ce jeu de données est stocké au format Parquet. Il est mis à jour quotidiennement et contient environ 800 000 lignes (20 Mo) pour l’année 2019.

Ce jeu de données contient les enregistrements historiques accumulés de 2010 à aujourd’hui. Vous pouvez utiliser les paramètres de paramétrage de notre SDK pour récupérer les données dans un intervalle de temps spécifique.

Emplacement de stockage

Ce jeu de données est stocké dans la région Azure USA Est. Nous vous recommandons de placer les ressources de calcul dans la région USA Est à des fins d’affinité.

Informations supplémentaires

Ce jeu de données est fourni par la ville de Seattle. Pour plus d’informations, consultez le site web de la ville de Seattle. Consultez la licence et l’attribution relatives aux conditions d’utilisation de ce jeu de données. Envoyez un e-mail à open.data@seattle.gov si vous avez des questions sur la source de données.

Colonnes

Nom	Type de données	Unique	Valeurs (exemple)	Description
address	string	196,965	517 3rd Av 318 2nd Av Et S	Lieu de l’incident.
catégorie	string	232	Réponse des secours Réponse médicale	Type de réponse.
dataSubtype	string	1	911_Fire	Incendie
dataType	string	1	Sûreté	Sécurité
dateTime	timestamp	1,533,401	2020-11-04 06:49:00 2019-06-19 13:49:00	Date et heure de l’appel.
latitude	double	94,332	47.602172 47.600194	Il s’agit de la valeur de latitude. Les lignes de latitude sont parallèles à l’équateur.
longitude	double	79,492	-122.330863 -122.330541	Il s’agit de la valeur de longitude. Les lignes de longitude sont perpendiculaires aux lignes de latitude et passent par les deux pôles.

Préversion

dataType	dataSubtype	dateTime	catégorie	subcategory	status	address	latitude	longitude	source	extendedProperties
Sûreté	911_Fire	28/04/2021 5:22:00	Incendie de poubelles	null	null	200 University St	47.607299	-122.337087	null
Sûreté	911_Fire	28/04/2021 5:15:00	Incident priorisé	null	null	6th Ave / Olive Way	47.61313	-122.336282	null
Sûreté	911_Fire	28/04/2021 5:12:00	Réponse des secours	null	null	4th Ave S / Seattle Blvd S	47.596486	-122.329046	null
Sûreté	911_Fire	28/04/2021 5:09:00	Incendie de poubelles	null	null	3rd Ave / University St	47.607763	-122.335976	null
Sûreté	911_Fire	28/04/2021 4:57:00	Réponse peu précise	null	null	533 3rd Ave W	47.623717	-122.360635	null
Sûreté	911_Fire	28/04/2021 4:57:00	Transfert vers les secours	null	null	4638 S Austin St	47.534702	-122.274812	null
Sûreté	911_Fire	28/04/2021 4:55:00	Incident priorisé	null	null	8th Ave N / Harrison St	47.622051	-122.341066	null

Accès aux données

Azure Notebooks

azureml-opendatasets

# This is a package in preview.
from azureml.opendatasets import SeattleSafety

from datetime import datetime
from dateutil import parser


end_date = parser.parse('2016-01-01')
start_date = parser.parse('2015-05-01')
safety = SeattleSafety(start_date=start_date, end_date=end_date)
safety = safety.to_pandas_dataframe()

safety.info()

azure-storage

# Pip install packages
import os, sys

!{sys.executable} -m pip install azure-storage-blob
!{sys.executable} -m pip install pyarrow
!{sys.executable} -m pip install pandas

# Azure storage access info
azure_storage_account_name = "azureopendatastorage"
azure_storage_sas_token = r""
container_name = "citydatacontainer"
folder_name = "Safety/Release/city=Seattle"

from azure.storage.blob import BlockBlobServicefrom azure.storage.blob import BlobServiceClient, BlobClient, ContainerClient

if azure_storage_account_name is None or azure_storage_sas_token is None:
    raise Exception(
        "Provide your specific name and key for your Azure Storage account--see the Prerequisites section earlier.")

print('Looking for the first parquet under the folder ' +
      folder_name + ' in container "' + container_name + '"...')
container_url = f"https://{azure_storage_account_name}.blob.core.windows.net/"
blob_service_client = BlobServiceClient(
    container_url, azure_storage_sas_token if azure_storage_sas_token else None)

container_client = blob_service_client.get_container_client(container_name)
blobs = container_client.list_blobs(folder_name)
sorted_blobs = sorted(list(blobs), key=lambda e: e.name, reverse=True)
targetBlobName = ''
for blob in sorted_blobs:
    if blob.name.startswith(folder_name) and blob.name.endswith('.parquet'):
        targetBlobName = blob.name
        break

print('Target blob to download: ' + targetBlobName)
_, filename = os.path.split(targetBlobName)
blob_client = container_client.get_blob_client(targetBlobName)
with open(filename, 'wb') as local_file:
    blob_client.download_blob().download_to_stream(local_file)

# Read the parquet file into Pandas data frame
import pandas as pd

print('Reading the parquet file into Pandas data frame')
df = pd.read_parquet(filename)

# you can add your filter at below
print('Loaded as a Pandas data frame: ')
df

pyspark

Exemple non disponible pour cette combinaison de plateforme et de package.

SQL

Exemple non disponible pour cette combinaison de plateforme et de package.

Azure Databricks

azureml-opendatasets

# This is a package in preview.
# You need to pip install azureml-opendatasets in Databricks cluster. https://learn.microsoft.com/azure/data-explorer/connect-from-databricks#install-the-python-library-on-your-azure-databricks-cluster
from azureml.opendatasets import SeattleSafety

from datetime import datetime
from dateutil import parser


end_date = parser.parse('2016-01-01')
start_date = parser.parse('2015-05-01')
safety = SeattleSafety(start_date=start_date, end_date=end_date)
safety = safety.to_spark_dataframe()

display(safety.limit(5))

azure-storage

Exemple non disponible pour cette combinaison de plateforme et de package.

pyspark

# Azure storage access info
blob_account_name = "azureopendatastorage"
blob_container_name = "citydatacontainer"
blob_relative_path = "Safety/Release/city=Seattle"
blob_sas_token = r""

# Allow SPARK to read from Blob remotely
wasbs_path = 'wasbs://%s@%s.blob.core.windows.net/%s' % (blob_container_name, blob_account_name, blob_relative_path)
spark.conf.set(
  'fs.azure.sas.%s.%s.blob.core.windows.net' % (blob_container_name, blob_account_name),
  blob_sas_token)
print('Remote blob path: ' + wasbs_path)

# SPARK read parquet, note that it won't load any data yet by now
df = spark.read.parquet(wasbs_path)
print('Register the DataFrame as a SQL temporary view: source')
df.createOrReplaceTempView('source')

# Display top 10 rows
print('Displaying top 10 rows: ')
display(spark.sql('SELECT * FROM source LIMIT 10'))

SQL

Exemple non disponible pour cette combinaison de plateforme et de package.

Azure Synapse

azureml-opendatasets

# This is a package in preview.
from azureml.opendatasets import SeattleSafety

from datetime import datetime
from dateutil import parser


end_date = parser.parse('2016-01-01')
start_date = parser.parse('2015-05-01')
safety = SeattleSafety(start_date=start_date, end_date=end_date)
safety = safety.to_spark_dataframe()

# Display top 5 rows
display(safety.limit(5))

azure-storage

Exemple non disponible pour cette combinaison de plateforme et de package.

pyspark

# Azure storage access info
blob_account_name = "azureopendatastorage"
blob_container_name = "citydatacontainer"
blob_relative_path = "Safety/Release/city=Seattle"
blob_sas_token = r""

# Allow SPARK to read from Blob remotely
wasbs_path = 'wasbs://%s@%s.blob.core.windows.net/%s' % (blob_container_name, blob_account_name, blob_relative_path)
spark.conf.set(
  'fs.azure.sas.%s.%s.blob.core.windows.net' % (blob_container_name, blob_account_name),
  blob_sas_token)
print('Remote blob path: ' + wasbs_path)

# SPARK read parquet, note that it won't load any data yet by now
df = spark.read.parquet(wasbs_path)
print('Register the DataFrame as a SQL temporary view: source')
df.createOrReplaceTempView('source')

# Display top 10 rows
print('Displaying top 10 rows: ')
display(spark.sql('SELECT * FROM source LIMIT 10'))

SQL

SELECT
    TOP 100 *
FROM
    OPENROWSET(
        BULK             'https://azureopendatastorage.blob.core.windows.net/citydatacontainer/Safety/Release/city=Seattle/*.parquet',
        FORMAT         = 'parquet'
    ) AS [r];

Exemples

• Consultez l’exemple City Safety Analytics sur GitHub.

Étapes suivantes

Consultez les autres jeux de données du catalogue Open Datasets.