Dados de segurança de Chicago

Os dados de chamada de solicitação de serviço do Chicago 311 abrangem

• todas as reclamações de código de saneamento aberto feitas ao 311
• todos os pedidos concluídos desde 1 de janeiro de 2011
• Reclamações do Código Sanitário Histórico
• Relatórios de buracos
• problemas de iluminação pública

O Departamento de Urbanismo e Obras investiga e resolve todas as infrações reportadas ao código sanitário de Chicago. Os moradores podem solicitar atendimento para violações de lixo de lixeira e beco transbordantes, por exemplo. O serviço Chicago 311 às vezes recebe reclamações duplicadas do código de saneamento. As solicitações de serviço duplicadas identificadas estão localizadas na mesma área geográfica de uma solicitação anterior e foram inseridas no sistema 311 Customer Service Request (CSR) aproximadamente ao mesmo tempo. As queixas duplicadas são etiquetadas como tal no campo de estado; podem aparecer como "Open - Dup" ("Aberta - Dup") ou "Completed - Dup" ("Concluída - Dup").

O Departamento de Transporte de Chicago (CDOT) supervisiona o reparo de buracos em 4.000 quilômetros de ruas arteriais e residenciais em Chicago. O CDOT recebe denúncias de buracos através do call center 311. O CDOT usa um sistema de mapeamento e rastreamento para identificar locais de buracos e agendar equipes.

Uma chamada para o 311 pode gerar múltiplas reparações de buracos. Quando uma tripulação chega para reparar um buraco com base em uma chamada do 311, essa equipe preenche todos os outros buracos encontrados naquele bloco. Os reparos de buracos são concluídos dentro de sete dias desde o primeiro relato de um buraco até 311. As condições meteorológicas, as temperaturas frias e a precipitação podem influenciar o tempo necessário para concluir a reparação de um buraco. Em dias de tempo cooperativo e sem precipitação, as tripulações podem preencher vários milhares de buracos.

Se uma solicitação anterior já estiver aberta para um buffer de quatro endereços, a solicitação receberá um status de "Duplicado (Aberto)". Por exemplo, para um CSR existente para o endereço 6535 N Western, e 311 recebe um novo CSR para o endereço 6531 N Western, então a nova solicitação recebe um status de "Duplicado (Aberto)", a nova solicitação recebe um status "Duplicado (Aberto)". Neste exemplo, o novo CSR está em um endereço dentro de quatro endereços do CSR original. Uma vez que as equipes reparam a rua, o status CSR diz "Concluído" para a solicitação original e "Duplicado (fechado)" para quaisquer solicitações duplicadas. Uma solicitação de serviço também recebe o status de "Concluído" quando o endereço informado é inspecionado, mas nenhum buraco é encontrado ou foi preenchido. Se outro problema for encontrado com a rua, como um "cave-in" ou "corte de utilidade falhado", então o problema é direcionado para o departamento ou empreiteiro apropriado.

Relatórios abertos feitos a 311 de interrupções de iluminação pública envolvendo três ou mais luzes são definidos como "Luzes de rua - All out". O Departamento de Transporte de Chicago (CDOT) supervisiona aproximadamente 250.000 luzes de rua que iluminam ruas arteriais e residenciais em Chicago. O Departamento de Mobilidade repara e substitui as lâmpadas em resposta às queixas de cortes de iluminação feitas pelos residentes. Sempre que o CDOT recebe um relatório de um "All out", o eletricista designado para fazer a reparação olha para as luzes nesse circuito (cada circuito tem 8-16 luzes) para se certificar de que todas funcionam corretamente. Se for feita outra queixa de corte de iluminação no mesmo circuito dentro de quatro dias após a queixa original, a segunda queixa recebe automaticamente o estado “Duplicate (Open)”. Uma vez que o eletricista CDOT olha para as luzes de um circuito para verificar o seu funcionamento, qualquer endereço "Duplicado (Aberto)" é automaticamente observado e reparado. Uma vez que as luzes de rua são reparadas, o status no CSR diz "Concluído" para a solicitação original e "Duplicado (fechado)" para quaisquer solicitações duplicadas. Uma solicitação de serviço também recebe o status de "Concluído" quando

• as luzes comunicadas são inspecionadas, mas verificadas em bom estado de conservação e funcionamento
• a solicitação de serviço é para um endereço inexistente
• um empreiteiro mantém as luzes

O recurso de dados recebeu atualizações diárias.

Volume e retenção

Este conjunto de dados é armazenado no formato Parquet. Ele recebeu atualizações diárias e contém cerca de 1 milhão de linhas (80 MB) no total em 2019.

Este conjunto de dados contém registos históricos acumulados de 2011 a 2018. Pode utilizar as definições de parâmetros no nosso SDK para obter os dados num intervalo de tempo específico.

Localização de armazenamento

Este conjunto de dados é armazenado na região do Azure E.U.A. Leste. A alocação de recursos de computação nos E.U.A. Leste é recomendada por questões de afinidade.

Conjuntos de dados relacionados

• Saneamento de Chicago
• Buracos de Chicago
• Luzes de rua de Chicago

Informações adicionais

Este conjunto de dados foi obtido junto da câmara de Chicago.

Consulte aqui os termos de uso para este recurso de conjunto de dados. E-mail dataportal@cityofchicago.org com perguntas sobre a fonte de dados.

Colunas

311 Pedidos de Serviço - Iluminação Pública - All out - Histórico

Pré-visualizar

311 Solicitações de Serviço - Buracos Relatados - Histórico

Pré-visualizar

Reclamações do Código de Saneamento

Pré-visualizar

Acesso a dados

Azure Notebooks

# This is package is in preview.
from azureml.opendatasets import ChicagoSafety

from datetime import datetime
from dateutil import parser

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

safety.info()

# 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=Chicago"

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

Azure Databricks

# This is a package in preview.
# You need to pip install azureml-opendatasets in Databricks cluster. https://video2.skills-academy.com/azure/data-explorer/connect-from-databricks#install-the-python-library-on-your-azure-databricks-cluster
from azureml.opendatasets import ChicagoSafety

from datetime import datetime
from dateutil import parser

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

display(safety.limit(5))

# Azure storage access info
blob_account_name = "azureopendatastorage"
blob_container_name = "citydatacontainer"
blob_relative_path = "Safety/Release/city=Chicago"
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'))

Azure Synapse

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

from datetime import datetime
from dateutil import parser

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

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

# Display data statistic information
display(safety, summary = True)

# Azure storage access info
blob_account_name = "azureopendatastorage"
blob_container_name = "citydatacontainer"
blob_relative_path = "Safety/Release/city=Chicago"
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'))

Exemplos

• Veja o exemplo do City Safety Analytics no GitHub.

Próximos passos

Exiba o restante dos conjuntos de dados no catálogo Open Datasets.