Démarrage rapide H3 (Databricks SQL)

Le guide de démarrage rapide des fonctions géospatiales H3 de cette page illustre ce qui suit :

• Comment charger des jeux de données de géolocalisation dans Unity Catalog
• Comment convertir des colonnes de latitude et longitude en colonnes de cellule H3
• Comment convertir des colonnes WKT polygonales ou multipolygonales de code postal en colonnes de cellule H3
• Comment interroger l’analyse des prises en charge et déposes depuis l’aéroport de LaGuardia vers le quartier financier de Manhattan
• Comment afficher des nombres agrégés H3 sur une carte

Exemples de notebooks et de requêtes

Préparer les données Unity Catalog

Dans ce notebook, nous effectuons les opérations suivantes :

• Configuration du jeu de données de taxis publics à partir du système de fichiers Databricks
• Configuration du jeu de données NYC Zip Code

Préparation des données Unity Catalog

Obtenir le notebook

Requêtes Databricks SQL avec Databricks Runtime 11.3+ LTS et versions ultérieures

Requête 1 : vérifier que les données de base ont été configurées. Consultez Notebook.

use catalog geospatial_docs;
use database nyc_taxi;
show tables;
-- Verify initial data is setup (see instructions in setup notebook)
-- select format_number(count(*),0) as count from yellow_trip;
-- select * from nyc_zipcode;

Requête 2 : H3 Code postal NYC – Appliquer h3_polyfillash3 à la résolution 12.

use catalog geospatial_docs;
use database nyc_taxi;
-- drop table if exists nyc_zipcode_h3_12;
create table if not exists nyc_zipcode_h3_12 as (
  select
    explode(h3_polyfillash3(geom_wkt, 12)) as cell,
    zipcode,
    po_name,
    county
  from
    nyc_zipcode
);
-- optional: zorder by `cell`
optimize nyc_zipcode_h3_12 zorder by (cell);
select
  *
from
  nyc_zipcode_h3_12;

Requête 3 : H3 Trajets en Taxi – Appliquer h3_longlatash3 à la résolution 12.

use catalog geospatial_docs;
use database nyc_taxi;
-- drop table if exists yellow_trip_h3_12;
create table if not exists yellow_trip_h3_12 as (
  select
    h3_longlatash3(pickup_longitude, pickup_latitude, 12) as pickup_cell,
    h3_longlatash3(dropoff_longitude, dropoff_latitude, 12) as dropoff_cell,
    *
  except
    (
      rate_code_id,
      store_and_fwd_flag
    )
  from
    yellow_trip
);
-- optional: zorder by `pickup_cell`
-- optimize yellow_trip_h3_12 zorder by (pickup_cell);
select
  *
from
  yellow_trip_h3_12
 where pickup_cell is not null;

Requête 4 : H3 Prises en charge LGA – 25 millions de départs de LaGuardia (LGA)

use catalog geospatial_docs;
use database nyc_taxi;
create
or replace view lga_pickup_h3_12 as (
  select
    t.*
  except(cell),
    s.*
  from
    yellow_trip_h3_12 as s
    inner join nyc_zipcode_h3_12 as t on s.pickup_cell = t.cell
  where
    t.zipcode = '11371'
);
select
  format_number(count(*), 0) as count
from
  lga_pickup_h3_12;
-- select
  --   *
  -- from
  --   lga_pickup_h3_12;

Requête 5 : H3 Déposes au District Financier – 34 millions de déposes dans le quartier financier

use catalog geospatial_docs;
use database nyc_taxi;
create
or replace view fd_dropoff_h3_12 as (
  select
    t.*
  except(cell),
    s.*
  from
    yellow_trip_h3_12 as s
    inner join nyc_zipcode_h3_12 as t on s.dropoff_cell = t.cell
  where
    t.zipcode in ('10004', '10005', '10006', '10007', '10038')
);
select
  format_number(count(*), 0) as count
from
  fd_dropoff_h3_12;
-- select * from fd_dropoff_h3_12;

Requête 6 : H3 LGA-FD – 827 000 déposes dans le quartier financier après une prise en charge à LGA

use catalog geospatial_docs;
use database nyc_taxi;
create
or replace view lga_fd_dropoff_h3_12 as (
  select
    *
  from
    fd_dropoff_h3_12
  where
    pickup_cell in (
      select
        distinct pickup_cell
      from
        lga_pickup_h3_12
    )
);
select
  format_number(count(*), 0) as count
from
  lga_fd_dropoff_h3_12;
-- select * from lga_fd_dropoff_h3_12;

Requête 7 : LGA-FD par code postal – Nombre de déposes dans le quartier financier par code postal + histogramme

use catalog geospatial_docs;
use database nyc_taxi;
select
  zipcode,
  count(*) as count
from
  lga_fd_dropoff_h3_12
group by
  zipcode
order by
  zipcode;

Requête 8 : LGA-FD par H3 – Nombre de déposes dans le quartier financier par cellule H3 + visualisation des marqueurs de carte

use catalog geospatial_docs;
use database nyc_taxi;
select
  zipcode,
  dropoff_cell,
  h3_centerasgeojson(dropoff_cell) :coordinates [0] as dropoff_centroid_x,
  h3_centerasgeojson(dropoff_cell) :coordinates [1] as dropoff_centroid_y,
  format_number(count(*), 0) as count_disp,
  count(*) as `count`
from
  lga_fd_dropoff_h3_12
group by
  zipcode,
  dropoff_cell
order by
  zipcode,
  `count` DESC;

Notebooks pour Databricks Runtime 11.3 LTS et versions ultérieures

Démarrage rapide Python : Taxi NYC H3 LaGuardia à Manhattan

Obtenir le notebook

Même structure de démarrage rapide que dans Databricks SQL, en utilisant des liaisons Spark Python dans Notebooks + kepler.gl.

Démarrage rapide Scala : Taxi NYC H3 LaGuardia à Manhattan

Obtenir le notebook

Même structure de démarrage rapide que dans Databricks SQL, en utilisant des liaisons Spark Scala dans Notebooks + kepler.gl par le biais de cellules Python.

Démarrage rapide SQL : Taxi NYC H3 LaGuardia à Manhattan

Obtenir le notebook

Même structure de démarrage rapide que dans Databricks SQL, en utilisant des liaisons Spark SQL dans Notebooks + kepler.gl par le biais de cellules Python.