200926.가오리코스 라이딩

9/26 골절인지 아닌지 확인 안됨. 이후 미세골절여부 확인

핸드폰을 드는 것도 어려움

9/29 x ray 다시 찍지 않고 이후 재 방문 요청

10/5 근처 병원으로 변경, x ray 확인, 골절 의심되나 추가 확인 필요

10/10 부기 및 자극 시 통증 상태로 보아 골덜은 아닐 수 있음. 반깁스를 압박밴드로 변경

핸드폰 정도 들어 올리는 것은 가능

2020.08.23. 그레이블 타이어 테스트 드라이브

2020.08.23. 

새로 장착한 그레이블 타이어로 여우길 테스트 드라이브

다 좋은데...

디스크브레이크가 말썽임.

영 잡히지 않아 불안 불안...

팔에 쥐나려 함...

2020.08.20 CX 튜블리스 그레이블 타이어 장착

2020.08.20.

집근처에서 무려 일주일전에 예약구매하고 앞뒤 각각 1만원주고 장착한 

튜블리스 그레이블 타이어.

그동안 앞바퀴 튜블리스 문제는 림테이프 문제였던 것 같음.

림테이프 교체 후 한달여 크게 문제 없어 보임.

[Python] Folium 사용

import folium
from folium import Choropleth, Circle, Marker
from folium.plugins import HeatMap, MarkerCluster

# Create a map
m_1 = folium.Map(location=[42.32,-71.0589], tiles='openstreetmap', zoom_start=10)

# Display the map
m_1


* tiles
cartodbdark_matter
cartodbpositron
cartodbpositronnolabels
cartodbpositrononlylabels
cloudmade
mapbox
mapboxbright
mapboxcontrolroom
openstreetmap
stamenterrain
stamentoner
stamentonerbackground
stamentonerlabels
stamenwatercolor


# Add points to the map
for idx, row in daytime_robberies.iterrows():
    Marker([row['Lat'], row['Long']]).add_to(m_2)



# Add Cluster to the map
mc = MarkerCluster()
for idx, row in daytime_robberies.iterrows():
    if not math.isnan(row['Long']) and not math.isnan(row['Lat']):
        mc.add_child(Marker([row['Lat'], row['Long']]))
m_3.add_child(mc)


def color_producer(val):
    if val <= 12:
        return 'forestgreen'
    else:
        return 'darkred'


# Add a bubble map to the base map
for i in range(0,len(daytime_robberies)):
    Circle(
        location=[daytime_robberies.iloc[i]['Lat'], daytime_robberies.iloc[i]['Long']],
        radius=20,
        popup= '...' ,
        color=color_producer(daytime_robberies.iloc[i]['HOUR'])).add_to(m_4)




# Add a heatmap to the base map
HeatMap(data=crimes[['Lat', 'Long']], radius=10).add_to(m_5)




# Add a choropleth map to the base map
Choropleth(geo_data=districts.__geo_interface__, 
           data=plot_dict, 
           key_on="feature.id", 
           fill_color='YlGnBu', 
           legend_name='Major criminal incidents (Jan-Aug 2018)'
          ).add_to(m_6)



geo_data is a GeoJSON FeatureCollection containing the boundaries of each geographical area.

In the code above, we convert the districts GeoDataFrame to a GeoJSON FeatureCollection with the __geo_interface__ attribute.


data is a Pandas Series containing the values that will be used to color-code each geographical area.
key_on will always be set to feature.id.

This refers to the fact that the GeoDataFrame used for geo_data and the Pandas Series provided in data have the same index. To understand the details, we'd have to look more closely at the structure of a GeoJSON Feature Collection (where the value corresponding to the "features" key is a list, wherein each entry is a dictionary containing an "id" key).


fill_color sets the color scale.
legend_name labels the legend in the top right corner of the map.

[라이딩] 190419.자전거 기변

드디어 로드로 기변했다.

CX를 가지고 있으면서도 로드만 타고 ...
타이어를 바꾸고 휠을 바꾸어 로드 형태를 취하고 타고 있었지만
정말 로드만 타고 있어서 로드로 기변해야 하는 것이 아닌가 생각하던 중

주변에 지인이 기변을 하였고, 그 덕에 중고장터를 기웃거리다가
써벨로 프로모션 소식을 접하고 확인해보니
2016년 중고와 거의 비슷한 가격으로 판매하는 것으로 확인하고
이 기회에 로드로 기변할 것을 마음을 굳혔다.

그것도 예전부터 생각해오던 써벨로 R3를... ㅎㅎㅎ
이거 저거 찾아보다 보니 2018년부터 형태가 바뀌어 당분간은 마이너 체인지밖에 없어 2018년식을 타는 경우 늘 신차느낌을 가지고 탈 수 있다고 한다.
(데칼이 바뀌면 그래도 다르게 보이겠지만 ...)

그동안 정들었던 CAADX는 떠나보내주어야 할 것 같다.
CX를 타는 사람들이 많지 않아 쉽게 떠나 보낼 수 있을지는 모르겠다.

[Python] GeoPandas

import geopandas as gpd
(conda install -c conda-forge geopandas -n envname)

< read, dataframe >

1. gdf = gpd.read_file(filesite)
2. df = pd.read_csv(filesite)
   gdf = gpd.GeoDataFrame(df, geometry=gpd.points_from_xy(df.long, df.lat), crs={'init':'epsg:4326'})

* the equal-area projections : Lambert Cylindrical Eaul Area, Africa Albers Equal Are conic
* the equidistant projections : Azimuthal Equidstant projection

< draw >

ax = gdf.plot(figsize=(10, 10), color='whitesmoke', linestyle=':', edgecolor='black', zorder=1)
a.plot(color='maroon', markersize=10, zorder=2, ax=ax)

< re-projecting >

gdf.to_crs(epsg=32630)

regions.to_crs("+proj=longlat +ellps=WGS84 +datum=WGS84 +no_defs")

< attribute >

* POINT
gdf.geometry.x
gdf.geometry.y 
* POLYGON
gdf.geometry.area
* Calculate the total area (in square kilometers)
totalArea = south_america.geometry.to_crs(epsg=3035).area.sum() / 10**6


< Geo Coding >

from geopandas.tools import geocode

result = geocode("The Great Pyramid of Giza", provider="nominatim")

def my_geocoder(row):
    try:
        point = geocode(row, provider='nominatim').geometry.iloc[0]
        return pd.Series({'Latitude': point.y, 'Longitude': point.x, 'geometry': point})
    except:
        return None

universities[['Latitude', 'Longitude', 'geometry']] = universities.apply(lambda x: my_geocoder(x['Name']), axis=1)

print("{}% of addresses were geocoded!".format(
    (1 - sum(np.isnan(universities["Latitude"])) / len(universities)) * 100))

# Drop universities that were not successfully geocoded
universities = universities.loc[~np.isnan(universities["Latitude"])]
universities = gpd.GeoDataFrame(universities, geometry=universities.geometry)
universities.crs = {'init': 'epsg:4326'}
universities.head()

< Spartial Join >

# Use spatial join to match universities to countries in Europe
european_universities = gpd.sjoin(universities, europe)

# Investigate the result
print("We located {} universities.".format(len(universities)))
print("Only {} of the universities were located in Europe (in {} different countries).".format(
    len(european_universities), len(european_universities.name.unique())))








< Porximaty Analysis >




# Measure distance from release to each station
distances = stations.geometry.distance(recent_release.geometry)
distances


two_mile_buffer = stations.geometry.buffer(2*5280)
 # Plot each polygon on the map
folium.GeoJson(two_mile_buffer.to_crs(epsg=4326)).add_to(m)


# Turn group of polygons into single multipolygon
my_union = two_mile_buffer.geometry.unary_union
print('Type:', type(my_union))

# Show the MultiPolygon object
my_union


# The closest station is less than two miles away
my_union.contains(releases.iloc[360].geometry)


# The closest station is more than two miles away
my_union.contains(releases.iloc[358].geometry