Mein Datensatz umfasst die Verbrechen in Los Angeles von den Jahren 2020 bis 2024. Der Datensatz stammt von Kaggle.com und beinhaltet 24 Spalten, von denen ich mir 5 zu brauchen gemacht habe. Diese 5 Spalten beinhalten verschiedene Positionsdaten wie Breiten- und Längengrade sowie die Schwere der Taten, welche in Crime Levels codiert sind und dazu die Menge an Verbrechen. Zusätzlich enthält er Zeitdaten, also um welche Uhrzeiten die Verbrechen begangen werden. Es war interessant zu untersuchen, ob es Zusammenhänge zwischen Uhrzeit und Verbrechensmenge in den verschiedenen Crimelevels gibt und auch wie sich diese untereinander in Los Angeles unterscheiden.

Die ursprünglichen Crimelevels waren in dreistelligen Codes angegeben, wobei jeder Code eine individuelle Tat darstellte (z. B. 110, 354, 341 …). Es gibt insgesamt 9 unterschiedliche Crimelevels. Ich habe diese Codes abgerundet und in einstellige Codes umgewandelt, indem ich ungefähr bestimmte, welche Tat welchem Code entspricht.

Da mein Datensatz eine sehr große Datenmenge beinhaltet, nämlich über 900.000, war der erste Schritt diesen zu verarbeiten auf Kaggle mithilfe der Python-Skriptsprache. Dafür habe ich mich auf meine 5 Spalten beschränkt und konnte somit die Datenmenge auf 10.000 kürzen.

Nachdem meine Daten vorbereitet waren, exportierte ich den Datensatz mit einem weiteren Befehl auf Kaggle als CSV-Datei und konvertierte ihn in eine JSON-Datei. Anschließend integrierte ich meine Daten als Array in zwei Konstanten namens “positionData” in meiner data.js und und “dataTimecrime” in meine dataTimecrime.js. Ich zwei, weil ich positionData für meine 1. Ansicht brauche und dataTimecrime für meine 2. Ansicht.