NYC TLC Taxi Trip Data
Decenas de millones de viajes en taxi y vehículos de alquiler en Nueva York, publicados mensualmente desde 2009.
ÁreaTransporte y Movilidad Urbana
DominioTransporte
DificultadIntermedio
TamañoDecenas de millones de viajes por año
¿Qué puedes lograr con este dataset?
- Practicar análisis geoespacial y de series de tiempo a gran escala
- Construir modelos de predicción de demanda o tiempo de viaje
- Trabajar con datos que requieren limpieza de coordenadas y outliers de distancia/tiempo
Descripción
La Comisión de Taxis y Limusinas de NYC publica mensualmente registros detallados de viajes en taxi amarillo, verde y vehículos de alquiler (Uber, Lyft), incluyendo ubicaciones de recogida/destino, tarifas, distancias y duración, siendo uno de los datasets urbanos más usados en la comunidad de ciencia de datos.
Casos de uso
- Predicción de demanda de taxis por zona y hora
- Análisis de patrones de movilidad urbana
- Optimización de rutas y detección de zonas de alta demanda
- Práctica de procesamiento de datos a gran escala (millones de filas)
Cómo cargarlo
import pandas as pd
df = pd.read_parquet("yellow_tripdata_2024-01.parquet")
print(df.groupby("PULocationID")["trip_distance"].mean().sort_values(ascending=False).head())Ventajas y limitaciones
Ventajas
- Volumen y regularidad de publicación (datos mensuales desde 2009)
- Rico en variables espaciales y temporales para practicar distintos tipos de análisis
- Ampliamente usado, con muchos proyectos y tutoriales de referencia
Limitaciones
- El volumen de datos exige herramientas más allá de pandas puro (Dask, Spark) para años completos
- Contiene outliers evidentes (viajes de duración o tarifa imposibles) que requieren limpieza