Zenn
🚶

Python×Matplotlibで作る人の動きのヒートマップ＆トラジェクトリー可視化

に公開
Python
Matplotlib
ヒートマップ
トラジェクトリー可視化
tech

📌はじめに

前回の記事では、
人流トラジェクトリーデータを縦持ち形式に変換し、分析しやすい形に整えました。

今回は、縦持ちデータを使って、
・会場全体の混雑傾向（ヒートマップ）
・特定個人の動き（動線グラフ）
を組み合わせた画像を作ってみます。

この方法を使うと、次のことが直感的にわかります。
・人の滞留しやすいエリア
・参加者の移動パターンの傾向

動線の表示方法の比較

1. 背景なし（動線のみ）

背景なしで動線だけを表示した例です。
動線だけでも移動パターンは見えますが、どのエリアで人が多く滞留しているかまでは分かりません。

2. 背景あり（ヒートマップ＋動線）

そこで、全データを基に作成したヒートマップを背景に重ねてみます。
これにより、混雑傾向と個々の移動パターンを同時に確認できます。

背景あり表示の条件

ヒートマップ：全データを基に人数の割合で表示
・ 動線：表示人数を絞る（例では 1画像に5人分をプロット）
・ 起点：参加者IDを表示（任意）
・ 矢印：進行方向を明示
・ 色分け：IDごとに異なる色

この組み合わせで、次のことがひと目でわかります。
・どのルートを通ったか
・どのエリアが混雑していたか
・複数人の移動パターンの違い

📌人流データ

回のサンプルデータは、新たに作成したデータを使用します（前回のものは使用しません）。

sample.csv

カラム名 説明
検知数 0.1秒間にセンサーが検知した人数
time_step 時間を表すタイムスタンプ
id センサーが認識した個々のユニークID
x 座標のX値
y 座標のY値

📌環境

python3.x

📌フォルダ構成

├── 1_flow/
│   └── overlap_graphs.py       # ヒートマップの上に動線を重ねるスクリプト
├── 2_data/
│   └── sample.csv              # 縦持ち形式のデータ（今回用に作成）
├── 3_output/
│   └──                       # 画像の出力先フォルダ　　　　　　

📌コード解説(overlap_graphs.py)

#============================================
# 0. ライブラリと変数
#============================================
import pandas as pd
import numpy as np
import os
import matplotlib.pyplot as plt
import math

# ファイル・フォルダの設定
INPUT_FOLDER = "2_data"
INPUT_FILENAME= "sample.csv"
OUTPUT_FOLDER = "3_output"

# プロットするID数の設定
group_size = 5

0. ライブラリと変数

  • pandas, numpy：データ処理用
  • matplotlib：グラフ作成用
  • os, math：ファイル操作や数学関数用
  • 2_data/sample.csv：入力データ（縦持ち形式のトラジェクトリーデータ）
  • 3_output：生成画像の出力先フォルダ
  • group_size：1枚の画像に重ねる参加者の数を制限するための設定

#============================================
# 1. ファイル読み込み
#============================================
# パスの取得
current_dir = os.getcwd()
parent_dir = os.path.dirname(current_dir)

input_path = os.path.join(parent_dir, INPUT_FOLDER, INPUT_FILENAME)
print("INFO: 入力データファイルパス:", input_path)

output_fol_path = os.path.join(parent_dir, OUTPUT_FOLDER)
os.makedirs(output_fol_path, exist_ok=True)

# CSV読み込み（UTF-8 BOM付き想定）
df_result = pd.read_csv(input_path, encoding="utf-8-sig")  # ここをutf-8-sigに

#============================================
# 2. 背景になるヒートマップの設定
#============================================
L_Len = len(df_result)

xedges = np.linspace(0, 100, 51)
yedges = np.linspace(0, 100, 51)

position_x = df_result['x']
position_y = df_result['y']

H, xedges, yedges = np.histogram2d(position_x, position_y, bins=(xedges, yedges))
H = (H / L_Len) * 100

1. ファイル読み込み

  • current_dir / parent_dir：カレントディレクトリと親ディレクトリを取得
  • INPUT_FOLDER と INPUT_FILENAME：入力データのパスを生成
  • OUTPUT_FOLDER：出力フォルダを自動生成（存在しない場合は作成）

2. 背景になるヒートマップの設定

  • np.linspace(0, 100, 51): x軸とy軸の区間（ビンの境界）をそれぞれ50等分した配列（xedges と yedges）を作成。
  • np.histogram2d : 2Dヒストグラムを作成
    データ点の x, y 座標がどのマスに入るかをカウント
  • (H / L_Len) * 100 : マス目ごとのカウントを全データ数で割り、百分率に変換
    ヒートマップの基礎データとして使用
❓なぜ割合（百分率）に変換するの❓

  1. 全体に対する相対的な頻度をわかりやすく示すため
    単純なカウントだとデータ量が違うと値の比較が難しいが、全体の○％という形にすれば他のデータセットとも比較しやすい

  2. ヒートマップの色の強弱を意味づけやすくするため
    「20件」より「10%」の方が、色の濃さで直感的に理解しやすい

  3. 異なるサイズのデータセット間で比較しやすくするため
    データ総数が異なる場合でも、割合なら規模の違いを吸収して比較できる

つまり、データの分布を全体に対する割合で示すことで、視覚化や比較をしやすくするためです

#============================================
# 3. IDごとのグループ分け
#============================================
id_list = df_result['id'].drop_duplicates().tolist()  # リスト化
groups = [id_list[i:i + group_size] for i in range(0, len(id_list), group_size)]

#============================================
# 4. 動線の色設定
#============================================
clrs = [
    'red', 'green', 'blue', 
    'purple', 'orange', 'gold', 
    'lime', 'navy', 'pink', 
    'cyan', 'brown'
]

3. IDごとのグループ分け

  • df_result['id'].drop_duplicates().tolist()：ユニークなIDを抽出
  • groups = [id_list[i:i + group_size] ...]：指定した人数ごとにIDをグループ化
    1枚の画像に複数IDの動線をまとめて表示するため

4. 動線の色設定

  • clrs：IDごとに色を変えるための色リスト
    複数IDの動線を描く際に、色をループして使い回す
#=========================================
# 5.ヒートマップの上に動線をプロット
#=========================================
for grp_idx, id_group in enumerate(groups):
    fig, ax = plt.subplots(figsize=(14, 12), dpi=130)

    # 背景ヒートマップ
    img = ax.imshow(
        H.T,
        origin='lower',
        cmap='PuRd',
        extent=[0, 100, 0, 100],
        alpha=0.7,
        vmin=0.05
    )

    ax.set_xlim(0, 100)
    ax.set_ylim(0, 100)

    cbar = plt.colorbar(img, ax=ax)
    cbar.set_label('Presence Percentage (%)')

    for color_idx, current_id in enumerate(id_group):
        data_a = df_result.query('id == @current_id').sort_values('time_step')
        data_b = data_a.reset_index(drop=True)

        if len(data_b) > 0:
            line_color = clrs[color_idx % len(clrs)]
            oldx, oldy = None, None

            # スタート地点の座標
            startx = data_b.loc[0, 'x']
            starty = data_b.loc[0, 'y']

            ax.text(
                startx,
                starty,
                str(current_id),
                fontsize=12,
                color=line_color,
                weight='bold',
                ha='center',
                va='center',
                bbox=dict(facecolor='white', alpha=0.5, edgecolor='none', boxstyle='round,pad=0.3')
            )
            for idx, row in data_b.iterrows():
                newx = row['x']
                newy = row['y']

                if oldx is not None:
                    if (not any(math.isnan(v) for v in [oldx, oldy, newx, newy])
                        and (oldx != newx or oldy != newy)):
                        
                        ax.plot(
                            [oldx, newx],
                            [oldy, newy],
                            color=line_color,
                            linewidth=2,
                            alpha=0.8
                        )

                        ax.annotate(
                            '',
                            xy=(newx, newy),
                            xytext=(oldx, oldy),
                            arrowprops=dict(
                                arrowstyle="->",
                                color=line_color,
                                lw=1,
                                mutation_scale=20
                            )
                        )

                oldx, oldy = newx, newy

    ax.set_title(f"ID Group {grp_idx + 1} Movement Paths", fontsize=16)
    ax.set_xlabel("X")
    ax.set_ylabel("Y")
    ax.set_xticks(np.arange(0, 110, 5))
    ax.set_yticks(np.arange(0, 110, 5))

    plt.tight_layout()

    out_path = os.path.join(output_fol_path, f"movement_group_{grp_idx + 1}.png")
    plt.savefig(out_path, dpi=130)
    plt.close(fig)  # 明示的に閉じる


# 画像のフォルダを開く
os.startfile(os.path.realpath(output_fol_path))

5. ヒートマップの上に動線をプロット

  • ax.imshow()：ヒートマップを背景として表示

    • cmap='PuRd'：カラーマップの指定
    • alpha=0.7：透明度を調整して、動線を重ねても背景が見えるように
    • vmin=0.05：色の最小値を設定

  • ax.set_xlim / ax.set_ylim：表示範囲を 0〜100 に設定

  • plt.colorbar：ヒートマップの色のスケールを表示（単位：%）

  • query('id == @current_id').sort_values('time_step')：

    • 指定したIDのデータを抽出し、time_step で昇順に並べ替え
    • 時系列に沿った動きのプロットが可能

  • math.isnan(v)：oldx, oldy, newx, newy のいずれかが NaN（無効な値）か判定

  • (oldx != newx or oldy != newy)：前の座標と異なるか（移動があるか）をチェック
    → どちらかの条件を満たさない場合、その区間の線は描画せずスキップ

  • ax.text(startx, starty, str(current_id), ...)：動線の始点にIDを表示（コメントアウト可能）

  • ax.plot([oldx, newx], [oldy, newy])：前の座標と現在の座標を結ぶ線を描画
    → 同じ座標やNaNを除外して可視化

  • ax.annotate：動線の進行方向を矢印で明示

  • clrs：色リストをループして使用（複数IDがある場合でも色を使い回して区別可能）

  • ax.set_title(...)：グラフのタイトルを設定（例：「ID Group 1 Movement Paths」など）

  • ax.set_xlabel("X") / ax.set_ylabel("Y")：軸ラベルを設定

  • ax.set_xticks(np.arange(0, 110, 5)) / ax.set_yticks(np.arange(0, 110, 5))：軸目盛りを 0〜105 まで 5刻みで設定
    → 表示範囲に余裕を持たせる

  • plt.tight_layout()：レイアウトを調整

  • plt.savefig() / plt.close(fig)：画像として保存し、図を閉じる

  • os.startfile()：生成画像フォルダを自動で開く（Windows環境）

📌出力

3_outputフォルダの中にmovement_group_連番.png のファイル名で画像が保存されます。
各画像には、指定した人数分のIDの動線がプロットされており、
動きの進行方向を示す矢印も付いています。

📌 まとめ

いかがでしたか？
あまり汎用的ではないかもしれませんが、参考になれば嬉しいです。

参考リンク

GitHubリポジトリ

本記事で紹介したコードやサンプルデータはこちらのリポジトリで公開しています。
　https://github.com/iwakazusuwa/trajectory-heatmap-tool-mit

Discussion