Hoppa över navigering

San Francisco Safety Data

San Francisco 911 Fire 311 Public Safety

Samtal till brandkåren om hjälp och 311-ärenden i San Francisco.

I samtalen till brandkåren ingår alla besvarade samtal. Varje post innehåller samtalsnummer, incidentnummer, adress, enhetsidentifierare, samtalstyp och disposition. Alla relevanta tidsintervall ingår också. Eftersom denna datamängd baseras på svar och eftersom de flesta samtal avser flera enheter, finns det flera poster för varje samtalsnummer. Adresser associeras med ett kvartersnummer, en vägkorsning eller en telefonkiosk, inte en specifik adress.

311-ärenden inkluderar ärenden som vanligtvis associeras med en plats eller ett föremål (t.ex. parker, gator eller byggnader) och skapades den 1 juli 2008 eller senare. Ärenden som vanligtvis loggas av en användare och avser deras egna behov (t.ex. frågor om fastighets- eller företagsskatt eller parkeringstillstånd) ingår inte. Se Programlänk för mer information.

Volym och kvarhållning

Datamängden lagras i Parquet-format. Den uppdateras dagligen med cirka 6 miljoner rader (400 MB) under 2019.

Datamängden innehåller historiska poster som ackumulerats från 2015 fram till nutid. Du kan använda parameterinställningar i vår SDK till att hämta data inom ett specifikt tidsintervall.

Lagringsplats

Datamängden lagras i Azure-regionen Östra USA. Vi rekommenderar att beräkningsresurser tilldelas i Östra USA av tillhörighetsskäl.

Ytterligare Information

Den här datamängden hämtas från San Franciscos myndigheter. Mer information finns på följande länkar: Samtal till brandkåren, 311-ärenden.

Du kan läsa om användningsvillkoren för denna datamängd här.

Meddelanden

MICROSOFT TILLHANDAHÅLLER AZURE OPEN DATASETS I BEFINTLIGT SKICK. MICROSOFT UTFÄRDAR INTE NÅGRA GARANTIER ELLER VILLKOR, UTTRYCKLIGA ELLER UNDERFÖRSTÅDDA, AVSEENDE ANVÄNDNINGEN AV DATAMÄNGDERNA. I DEN UTSTRÄCKNING DET ÄR TILLÅTET ENLIGT NATIONELL LAGSTIFTNING, FRISKRIVER MICROSOFT SIG FRÅN ALLT ANSVAR BETRÄFFANDE SKADOR OCH FÖRLUSTER, INKLUSIVE DIREKTA SKADOR, FÖLJDSKADOR, SÄRSKILDA SKADOR, INDIREKTA SKADOR, ELLER OFÖRUTSEDDA SKADOR FRÅN ANVÄNDNINGEN AV DATAMÄNGDERNA.

Datamängden tillhandahålls enligt de ursprungliga villkor som gällde när Microsoft tog emot källdatan. Datamängden kan innehålla data från Microsoft.

Access

Available inWhen to use
Azure Notebooks

Quickly explore the dataset with Jupyter notebooks hosted on Azure or your local machine.

Azure Databricks

Use this when you need the scale of an Azure managed Spark cluster to process the dataset.

Azure Synapse

Use this when you need the scale of an Azure managed Spark cluster to process the dataset.

Preview

dataType dataSubtype dateTime category subcategory status address latitude longitude source extendedProperties
Safety 911_Fire 6/10/2021 2:56:41 AM Potentially Life-Threatening Medical Incident null 700 Block of KIRKWOOD AVE 37.7291935618435 -122.374002352858 null
Safety 911_Fire 6/10/2021 2:56:41 AM Potentially Life-Threatening Medical Incident null 700 Block of KIRKWOOD AVE 37.7291935618435 -122.374002352858 null
Safety 911_Fire 6/10/2021 2:44:00 AM Non Life-threatening Medical Incident null 22ND ST/SAN BRUNO AV 37.7569521955649 -122.404732268578 null
Safety 911_Fire 6/10/2021 2:40:38 AM Non Life-threatening Medical Incident null 1100 Block of PACHECO ST 37.7506214678849 -122.472436852346 null
Safety 911_Fire 6/10/2021 2:15:55 AM Non Life-threatening Medical Incident null 800 Block of BUENA VISTA AVE 37.7693036365977 -122.442610806274 null
Safety 911_Fire 6/10/2021 2:15:24 AM Potentially Life-Threatening Medical Incident null 1100 Block of MISSION ST 37.7777903094248 -122.412834332128 null
Safety 911_Fire 6/10/2021 2:12:50 AM Non Life-threatening Medical Incident null 22ND ST/SAN BRUNO AV 37.7569521955649 -122.404732268578 null
Safety 911_Fire 6/10/2021 2:09:44 AM Potentially Life-Threatening Medical Incident null 100 Block of THRIFT ST 37.7174111105124 -122.457582606079 null
Safety 911_Fire 6/10/2021 2:09:44 AM Potentially Life-Threatening Medical Incident null 100 Block of THRIFT ST 37.7174111105124 -122.457582606079 null
Safety 911_Fire 6/10/2021 2:04:20 AM Non Life-threatening Medical Incident null 900 Block of SOUTH VAN NESS AVE 37.7579612754201 -122.416865021431 null
Name Data type Unique Values (sample) Description
address string 283,413 Not associated with a specific address
0 Block of 6TH ST

Adress för incidenten (observera att adress och plats generaliseras till mitt i kvarteret på gatan, i vägkorsningen eller vid närmaste telefonkiosk för att skydda uppringarens integritet).

category string 108 Street and Sidewalk Cleaning
Potentially Life-Threatening

Ett läsbart namn för 311-tjänstebegärandets typ eller samtalstypsgruppen för 911-larmsamtal.

dataSubtype string 2 911_Fire
311_All

”911_Fire” eller ”311_All”.

dataType string 1 Safety

”Säkerhet”

dateTime timestamp 6,550,564 2020-10-19 12:28:08
2020-07-28 06:40:26

Det datum och den tid då tjänstebegärandet gjordes eller när larmsamtalet togs emot.

latitude double 1,647,832 37.777624238929
37.786117211838

Platsens latitud med WGS84-projektionen.

longitude double 1,585,922 -122.39998111124
-122.419854245692

Platsens longitud med WGS84-projektionen.

source string 9 Phone
Mobile/Open311

Mekanism eller sökväg där tjänstbegäran togs emot, vanligtvis ”Telefon”, ”Text/SMS”, ”Webbplats”, ”Mobilapp”, ”Twitter” etc., men det kan variera i olika system.

status string 3 Closed
Open

En indikator i ett ord för tjänstebegärandets nuvarande status. (Obs: GeoReport V2 tillåter endast ”öppen” och ”stängd”)

subcategory string 1,271 Medical Incident
Bulky Items

Ett läsbart namn på tjänstebegärandets undertyp för 311-ärenden, eller samtalstypen för 911-larmsamtal.

Select your preferred service:

Azure Notebooks

Azure Databricks

Azure Synapse

Azure Notebooks

Package: Language: Python Python
In [1]:
# This is a package in preview.
from azureml.opendatasets import SanFranciscoSafety

from datetime import datetime
from dateutil import parser


end_date = parser.parse('2016-01-01')
start_date = parser.parse('2015-05-01')
safety = SanFranciscoSafety(start_date=start_date, end_date=end_date)
safety = safety.to_pandas_dataframe()
ActivityStarted, to_pandas_dataframe Looking for parquet files... Reading them into Pandas dataframe... Reading Safety/Release/city=SanFrancisco/part-00125-tid-8598556649077331715-e7875271-3301-48fe-88c1-a6ce35841072-136781.c000.snappy.parquet under container citydatacontainer Done. ActivityCompleted: Activity=to_pandas_dataframe, HowEnded=Success, Duration=58673.14 [ms]
In [2]:
safety.info()
<class 'pandas.core.frame.DataFrame'> Int64Index: 361411 entries, 10 to 5821034 Data columns (total 11 columns): dataType 361411 non-null object dataSubtype 361411 non-null object dateTime 361411 non-null datetime64[ns] category 361409 non-null object subcategory 361411 non-null object status 231935 non-null object address 361411 non-null object latitude 361411 non-null float64 longitude 361411 non-null float64 source 231935 non-null object extendedProperties 117871 non-null object dtypes: datetime64[ns](1), float64(2), object(8) memory usage: 33.1+ MB
In [1]:
# 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
In [2]:
# Azure storage access info
azure_storage_account_name = "azureopendatastorage"
azure_storage_sas_token = r""
container_name = "citydatacontainer"
folder_name = "Safety/Release/city=SanFrancisco"
In [3]:
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)
In [4]:
# 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)
In [5]:
# you can add your filter at below
print('Loaded as a Pandas data frame: ')
df
In [6]:
 

Azure Databricks

Package: Language: Python Python
In [1]:
# This is a package in preview.
# You need to pip install azureml-opendatasets in Databricks cluster. https://docs.microsoft.com/en-us/azure/data-explorer/connect-from-databricks#install-the-python-library-on-your-azure-databricks-cluster
from azureml.opendatasets import SanFranciscoSafety

from datetime import datetime
from dateutil import parser


end_date = parser.parse('2016-01-01')
start_date = parser.parse('2015-05-01')
safety = SanFranciscoSafety(start_date=start_date, end_date=end_date)
safety = safety.to_spark_dataframe()
ActivityStarted, to_spark_dataframe ActivityStarted, to_spark_dataframe_in_worker ActivityCompleted: Activity=to_spark_dataframe_in_worker, HowEnded=Success, Duration=3754.51 [ms] ActivityCompleted: Activity=to_spark_dataframe, HowEnded=Success, Duration=3757.76 [ms]
In [2]:
display(safety.limit(5))
dataTypedataSubtypedateTimecategorysubcategorystatusaddresslatitudelongitudesourceextendedProperties
Safety911_Fire2015-11-07T19:49:04.000+0000Potentially Life-ThreateningMedical IncidentnullMISSION ST/23RD ST37.753836588542-122.418593946321nullnull
Safety911_Fire2015-08-06T05:23:02.000+0000AlarmAlarmsnull200 Block of 10TH ST37.773466489733-122.413546904215nullnull
Safety911_Fire2015-07-28T13:34:52.000+0000Potentially Life-ThreateningMedical IncidentnullHOWARD ST/MAIN ST37.790612669554-122.393407939021nullnull
Safety911_Fire2015-06-24T10:39:57.000+0000Non Life-threateningMedical Incidentnull200 Block of BRIDGEVIEW DR37.734209339882-122.397590096788nullnull
Safety911_Fire2015-06-22T15:58:28.000+0000AlarmAlarmsnull100 Block of POST ST37.788796325286-122.403991276137nullnull
In [1]:
# Azure storage access info
blob_account_name = "azureopendatastorage"
blob_container_name = "citydatacontainer"
blob_relative_path = "Safety/Release/city=SanFrancisco"
blob_sas_token = r""
In [2]:
# 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)
In [3]:
# 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')
In [4]:
# Display top 10 rows
print('Displaying top 10 rows: ')
display(spark.sql('SELECT * FROM source LIMIT 10'))

Azure Synapse

Package: Language: Python Python
In [18]:
# This is a package in preview.
from azureml.opendatasets import SanFranciscoSafety

from datetime import datetime
from dateutil import parser


end_date = parser.parse('2016-01-01')
start_date = parser.parse('2015-05-01')
safety = SanFranciscoSafety(start_date=start_date, end_date=end_date)
safety = safety.to_spark_dataframe()
In [19]:
# Display top 5 rows
display(safety.limit(5))
Out[19]:
In [1]:
# Azure storage access info
blob_account_name = "azureopendatastorage"
blob_container_name = "citydatacontainer"
blob_relative_path = "Safety/Release/city=SanFrancisco"
blob_sas_token = r""
In [2]:
# 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)
In [3]:
# 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')
In [4]:
# Display top 10 rows
print('Displaying top 10 rows: ')
display(spark.sql('SELECT * FROM source LIMIT 10'))

City Safety

From the Urban Innovation Initiative at Microsoft Research, databricks notebook for analytics with safety data (311 and 911 call data) from major U.S. cities. Analyses show frequency distributions and geographic clustering of safety issues within cities.