Ecobici Twitter bot 🚴🏾‍♀️🚴🏾‍♂️

Sigue a @EcobiciMapBot en Twitter para ver la disponibilidad de bicicletas en CDMX cada 30min

Lo mejor es que muestra la disponibilidad para la siguiente hora, así que seguramente alcanzas tu Ecobici 😉

Colaboración con @DiegoFores. Gracias, hermanito!

Orientación de @fferegrino a través de un gran artículo (uno de muchos) para crear @CyclesLondon un Twitter bot que actualiza la disponibilidad de la Red de Bicicletas en Londres.

Mapa actual

*Actualizado al momento, cada 30min que corre el script automáticamente

Estructura del repositorio:

.
├── .github/workflows
│   └── run_getmap.yml            # Crea una MV, obtiene credenciales desde Secrets, corre el script cada 30min y hace el commit -> push
│
├── data
│   └── csv
│   │   └── acum_data.csv         # Datos acumulados de los últimos N días, se usan para modelo de pronóstico
│   │   └── coordinates.csv       # Coordenadas de cada estación Ecobici, para el mapa de predicción
│   │   └── df_for_map.csv        # Predicción de bicicletas disponibles para cada estación
│   └── model
│   │   └── model.xz              # Diccionario con modelo y objetos para escalar
│   │   └── tad_for_pred.xz       # Función para re-estrucutar nuevos datos como el modelo lo necesita
│   └── shp
│       └── ...                   # Archivos necesarios para desplegar los límites por Código Postal en CDMX
│
├── media
│   └── map
│       └── cdmx.png              # Delimitación de códigos postales en CDMX
│       └── future_map.png        # Mapa de disponibilidad dentro de una hora, utiliza los datos actuales para predecir
│       └── map.png               # Imagen del mapa de disponibilidad, se actualiza automáticamente cada 30min
│
├── scripts
│   ├── __init__.py               # Para que el directorio se trabaje de forma modular
│   ├── ecoPredict.py             # Recibe los datos transformados desde ecoTad.py para aplicar el modelo de predicción
│   ├── ecoTad.py                 # Re-estructura los datos tal que el modelo prediga la demanda futura
│   ├── map.py                    # Clase con métodos como importar datos desde API, creación de variables, reestructuración de datos, etc
│   └── run_getmap.py             # Llama a la clase de "map.py" y las credenciales desde GitHub Secrets para correr el proceso
│
└── requirements.txt              # Instalar las librerías necesarias con el comando: pip install -r requirements.txt

¿Cómo mostramos un mapa en Twitter?

1. El primer paso es registrarte para la API aquí, recibirás un correo con tus credenciales: CLIENT_ID y CLIENT_SECRET (guárdalas muy bien, donde nadie las encuentre)

(este artículo me ayudó mucho a entender GitHub Secrets, para guardar y usar credenciales automáticamente mediante un workflow .yml)

2. Instanciar la clase para obtener los datos al momento

from map import EcoBiciMap

ebm = EcoBiciMap(CLIENT_ID, CLIENT_SECRET)

# Con las credenciales se inicia la sesión y se obtiene el token de acceso
ebm.get_token(first_time=True)

3. Información respecto a las estaciones, incluyendo coordenadas

ebm.get_data()

id	name	address	addressNumber	zipCode	districtCode	districtName	altitude	nearbyStations	stationType	location.lat	location.lon
55	55 5 DE MAYO-BOLIVAR	055 - 5 de Mayo - Bolívar	S/N	6700	1	Ampliación Granada	None	[65, 87]	BIKE,TPV	19.434356	-99.138064
124	124 CLAUDIO BERNARD-DR. LICEAGA	124 - Claudio Bernard-Dr. Liceaga	S/N	6500	1	Ampliación Granada	None	[119, 123, 133]	BIKE	19.422392	-99.150358
159	159 HUATABAMPO-EJE 1 PTE. AV. CUAUHTÉMOC	159 - Huatabampo-Eje 1 Pte. Av. Cuauhtémoc	S/N	6760	1	Ampliación Granada	None	[155, 158, 163]	BIKE	19.407517	-99.155373

4. Disponibilidad de las estaciones (mismo método pero especificando un parámetro)

ebm.get_data(availability=True)

id	status	availability.bikes	availability.slots
55	OPN	13	10
124	OPN	0	21
159	OPN	1	34

5. Filtrar las estaciones con estatus activo, unir ambas tablas y calcular la proporción de bicicletas y slots

ebm.transform()

id	zipCode	location.lat	location.lon	status	availability.bikes	availability.slots	slots_proportion	bikes_proportion
55	6700	19.434356	-99.138064	OPN	11	4	0.27	0.73
124	6500	19.422392	-99.150358	OPN	0	34	1.00	0.00
159	6760	19.407517	-99.155373	OPN	12	24	0.67	0.33

6. Se utiliza el shapefile de los Códigos Postales CDMX para definir los límites en el mapa

7. Unir ambos mapas, utilizando las coordenadas y disponibilidad de las estaciones

ebm.plot_map(
    data=ebm.df,
    col_to_plot='slots_proportion',
    padding=0.006,
    color='#ffffff',
    edgecolor='#00acee', 
    points_palette='Blues')

8. Crear el tweet de dicho mapa, o bien, el que pronostica la demanda de la siguiente hora

ebm.tweet_map(img='~/map.png')

Quieres comprobarlo? Cada 30min se actualiza en @EcobiciMapBot ⬅️ Te reto a seguirnos!