大数据时代已经到来，随着数据的逐步开放，交通领域的研究课题或多或少都要接触、使用时空大数据。交通领域的从业者迫切需要强有力的工具和技术应对日益纷杂的交通数据。交通是一个交叉学科，交通数据分析人才的知识体系需要与数据处理、网络爬虫、数据可视化、地理信息、复杂网络、数据挖掘、机器学习等多学科知识深度融合，这也为交通领域的人才培养带来巨大挑战。 在此背景下，本书针对不同的学习阶段与业务需求设计了三篇共15章内容。基础篇（第1～5章）梳理Python数据分析、网络爬虫、数据可视化、地理信息等基础知识；应用篇（第6～10章）介绍出租车GPS数据、地铁IC刷卡数据、共享单车订单数据、公交GPS数据等各类时空大数据的实际案例应用；方法篇（第11～15章）融汇数据挖掘、空间统计、复杂网络学科等交叉学科方法，与交通领域的大量实际案例分析结合，全面梳理总结交通时空大数据所需跨学科技能。 本书由浅入深，学科交叉，强调实践。对读者不同的学习阶段与业务需求设计相应内容，全面梳理总结交通大数据科研所需技能，并与交通领域的大量实际案例分析结合。本书可作为教材也可作为参考工具书，基础篇定位交通数据领域新手入门，应用篇定位有数据分析需求的高校学生或社会人士，方法篇定位高校学术科研人员。

基础篇
第1章 绪论
1.1 多源交通时空大数据简介
1.1.1 传统集计统计数据
1.1.2 个体连续追踪数据
1.1.3 地理空间信息数据
1.2 为什么要用Python处理交通大数据
1.2.1 常用数据处理技术
1.2.2 Python在交通大数据领域中的优势
1.2.3 Python与SQL的比较
1.3 大规模数据处理的解决方案
1.3.1 决定大数据处理性能的三个硬件要素
1.3.2 分布式数据处理架构
1.4 本章习题
第2章 Python数据处理基础
2.1 Python的环境配置
2.1.1 Python的集成开发环境
2.1.2 Anaconda的安装
2.1.3 Jupyter Notebook的使用
2.1.4 Python第三方库的安装
2.2 Python基本语法
2.2.1 对象与变量
2.2.2 运算符
2.2.3 内置数据类型
2.2.4 语句
2.2.5 函数
2.2.6 包的使用
2.2.7 数据分析常用第三方库简介
2.3 pandas数据处理基础
2.3.1 数据文件的编码格式与存储形式
2.3.2 数据表的行列处理
2.3.3 数据的表格运算
2.4 时空大数据的处理思维
2.4.1 复杂数据处理任务的解决思路
2.4.2 数据处理任务分解实例：地铁换乘量识别
2.5 数据处理中表格运算的常用技巧
2.5.1 分组编号
2.5.2 去除重复的记录
2.5.3 个体ID重新编号
2.5.4 生成数据之间的对应表
2.5.5 时空插值
2.6 本章习题
2.6.1 思考题
2.6.2 Python基础代码练习
2.6.3 pandas基础代码练习
第3章 数据可视化基础
3.1 可视化的基本原则
……
应用篇
方法篇