楼主: wenO6ZTcp8ct6
190 1

[公开数据] 纽约出租车行程数据:2026 年 9 月绿车 4.7 万单、22 列,费用构成与拥堵费字段怎么看 [推广有奖]

  • 0关注
  • 0粉丝

等待验证会员

已卖:30份资源

初中生

95%

还不是VIP/贵宾

-

威望
0 级
论坛币
530 个
通用积分
180.5435
学术水平
0 点
热心指数
0 点
信用等级
0 点
经验
530 点
帖子
11
精华
0
在线时间
0 小时
注册时间
2020-9-16
最后登录
2020-9-16

楼主
wenO6ZTcp8ct6 发表于 2026-11-13 09:35:57 |AI写论文

+2 论坛币
k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群
赵安豆老师微信:zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

感谢您参与论坛问题回答

经管之家送您两个论坛币!

+2 论坛币

2026 年 9 月的绿车(green taxi)行程文件,46,676 单,22 列。里面只有一个字段既没有空值、又几乎全是零:cbd_congestion_fee——只有 5,064 单是 0.75 美元,13 单是 0.75,其余 41,599 单是 0。同一份文件的 trip_distance 均值 9.32 英里,把 9 条超过 100 英里的记录剔掉以后掉到 3.53 英里。

 

两个数字说明同一件事:字段都在,但直接聚合就会错。

 

这份数据由纽约市出租车与礼宾车委员会(TLC)按月发布,四类车各一套月度 Parquet 文件,另有打车区域对照表与字段字典。全部免费下载,从 2009 年 1 月一直到 2026 年 9 月。

 

四类车,起始年月不一样

 

车种文件前缀起始月份页面上的月度文件数
黄色出租车yellow_tripdata2009-01204
绿色出租车green_tripdata2013-08149
电召车fhv_tripdata2015-01130
高载客量电召车fhvhv_tripdata2019-0281

 

四个前缀加起来 564 个月度文件。做长周期分析要注意起点不同:想比"十年变化",只有黄车够长;绿车从 2013 年 8 月起,高载客量车 2019 年才有,且它不含逐单里程与费用,只有上下车时间、区域、司机与平台。

 

22 列分四组

 

时间与主体:VendorID(技术供应商,2026 年 9 月有 1、2、6 三个值)、lpep_pickup_datetime、lpep_dropoff_datetime(绿车的上下车时间,黄车对应 tpep_ 前缀)、store_and_fwd_flag。

 

地点与计费类型:PULocationID、DOLocationID(打车区域编号,需配 zone 对照表)、RatecodeID(标准、JFK、Newark、Nassau、协商价五类)、payment_type、trip_type(街招还是派单,绿车特有)。

 

里程与人数:trip_distance、passenger_count。

 

费用九项:fare_amount、extra、mta_tax、tip_amount、tolls_amount、ehail_fee、improvement_surcharge、congestion_surcharge、cbd_congestion_fee,再加合计 total_amount。

 

九项费用加起来,不等于合计

 

我按"各项相加等于 total_amount"逐行验算 9 月绿车:46,676 行里能参与验算的 37,840 行(其余 8,836 行有费用字段为空),其中 34,307 行(90.7%)严格相等;剩下 1,294 行的差额集中在 2.75、3.
5、0.75 三档,合计比各项之和小,多为拥堵附加未计入合计的修正单。

 

所以拆账时不能假设恒等式成立:要分析费率结构,用 total_amount 减各项得到残差,再看残差分布;直接假设"合计=各项之和"会把 9% 的单算错。另外 ehail_fee 这一列在 9 月绿车里 46,676 行全部为空,是历史遗留字段,不要放进必须非空的校验。

 

两个拥堵费字段不是一回事

 

congestion_surcharge 是长期存在的曼哈顿 96 街以南附加费,取值多为 2.75 美元;cbd_congestion_fee 是 2025 年起实施的中央商务区拥堵费,9 月绿车只有 0.75 美元一档。前者 8,836 行为空,后者每一行都有值但 89.1% 为零。

 

原因不难理解:绿车主要在曼哈顿以外和外围区域运营,进入核心区的单只占一成,所以这个字段"有值但多为零"是正常形态,不是缺失。用它统计"收了多少拥堵费"可以,用它判断"哪些单漏收费"不行。

 

三个必须先处理的问题

 

一是月份越界。9 月文件的上下车时间范围是 2026-08-25 22:36 到 2026-09-30 23:57,46,650 行在 9 月内,26 行落在 8 月。按月汇总前先按时间过滤,否则每个月的量都会稍微偏大。

 

二是成片空值集中在一家供应商。payment_type、passenger_count、RatecodeID、trip_type、congestion_surcharge 五列的空值都是 8,836 行,其中供应商 6 的 3,887 行全部为空、供应商 2 有 4,898 行为空。这意味着"支付方式分布"实际上只代表两个供应商;按支付方式分组前,先看空值落在谁身上。

 

三是异常值与负数。trip_distance 最大 143,856.85 英里、2,189 行距离为 0;total_amount 有 150 行为负(最低 114.5 美元),fare_amount 最低 110 美元。负数是冲正与退款单,不是错误,但会把均值拉低;距离异常值会把均值拉高 2.6 倍。算均值前先设阈值,并在正文里写清楚阈值是多少。

 

拿到它的条件

 

在 TLC 的 Trip Record Data 页面按月下载 Parquet,另有打车区域 shapefile 与 PDF 字段字典,均免费、无需注册。单月绿车文件约 1.1 MB,黄车与高载客量车大得多,全量历史累计为数十 GB。

 

TLC 在页面上写明:这些行程数据不是 TLC 生成的,由 TPEP/LPEP 授权技术供应商采集并提供,TLC 不对数据准确性作任何陈述。引用时把这句话一并交代,比只写"数据来自 TLC"更稳妥。页面未给出明确的开源许可条款,仅链接到 NYC.gov 的一般使用条款,所以按"来源公开、许可不明"处理:可以引用与二次分析,转载原始文件前应自行核对条款。

 

以上是免费部分。22 列的逐列含义、9 月绿车的实测分布、以及各类文件的下载入口,放在下面论坛币区。

 

────────────────

想看逐列字段表和下载入口,回帖留下邮箱,我按顺序发给你。


游客,如果您要查看本帖隐藏内容请回复

把经管之家装进你常用的 AI 智能体中

一键快捷安装经管之家 MCP/技能,让 AI 帮你查教程、找数据、读论坛帖子。

检索、阅读公开帖子不收费,安装可申请领取:3 通用积分+100 论坛币+3 元论坛资金

请点击查看安装教程与福利 →

说明: AI 算力按所用平台规则计算;附件按原帖条件获取;福利领取条件以活动页面为准。

二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝


沙发
wenO6ZTcp8ct6 发表于 2026-11-13 10:46:55
绿车字段比想象中多

您需要登录后才可以回帖 登录 | 我要注册

本版微信群
扫码
拉您进交流群
GMT+8, 2026-11-19 01:08