src/notebooks/openstreetmap.qmd

---
title: "OpenStreetMap-Daten zu Pflegeheimen in Berlin-Köpenick auslesen"
author: "Dein Name"
format: 
  html:
    toc: true
    code-tools: true
jupyter: python3
---

# Einleitung

In diesem Tutorial verwenden wir Python und die Bibliothek `OSMnx`, um Informationen über Pflegeheime in Berlin-Köpenick aus OpenStreetMap (OSM) auszulesen. Dies ist besonders nützlich für die Analyse von Pflegeinrichtungen in einem bestimmten Gebiet.

## Voraussetzungen

Stellen Sie sicher, dass Sie `OSMnx` und `geopandas` installiert haben:

```python
pip install osmnx geopandas
```

# Pflegeheime in Berlin-Köpenick abrufen

## Definieren des Gebiets

Wir definieren den Stadtteil Köpenick als das Gebiet, aus dem wir die Daten abrufen möchten.

```{python}
import osmnx as ox

# Stadtteil definieren
stadtteil = "Berlin, Germany"

# Polygon für Köpenick erhalten
polygon = ox.geocode_to_gdf(stadtteil)
```

## Abfragen der Pflegeheime

Wir verwenden die OSM-Tags, die Pflegeheime repräsentieren. Die Tags für Pflegeheime sind in der Regel `amenity=assisted_living` oder `amenity=nursing_home`. Wir werden diese Tags verwenden, um die entsprechenden Daten abzurufen.

```{python}
# Pflegeheime innerhalb des Polygons abrufen
pflegeheime = ox.geometries_from_polygon(polygon.geometry[0], tags={"amenity": ["nursing_home", "assisted_living"]})

# Die ersten Einträge der Pflegeheime anzeigen
pflegeheime.head()
```

## Plotten der Ergebnisse

Wir plotten die Pflegeheime in Köpenick auf einer Karte, um einen visuellen Eindruck zu erhalten.

```{python}
import matplotlib.pyplot as plt

# Plotten der Karte
fig, ax = plt.subplots(figsize=(12, 8))
polygon.plot(ax=ax, facecolor="none", edgecolor="black", linewidth=1)
pflegeheime.plot(ax=ax, color="orange", markersize=50, label="Pflegeheime")

plt.legend()
plt.title("Pflegeheime in Berlin-Köpenick")
plt.xlabel("Longitude")
plt.ylabel("Latitude")
plt.show()
```

# Weitere Analyseoptionen

Mit den abgerufenen Daten zu Pflegeheimen können verschiedene Analysen durchgeführt werden. Hier sind einige Beispiele:

- **Entfernungsmessungen**: Berechnung der Entfernung zwischen Pflegeheimen und anderen wichtigen Punkten, wie z.B. Ärzten oder Apotheken.
- **Demografische Analysen**: Kombinieren der Daten mit Bevölkerungsstatistiken, um die Verteilung von Pflegeheimen im Verhältnis zur Bevölkerung zu untersuchen.

## Beispiel: Entfernung zwischen Pflegeheimen und einem Punkt berechnen

```{python}
import geopandas as gpd
from shapely.geometry import Point

# Beispiel-Punkt (z.B. ein Krankenhaus) definieren
krankenhaus = (52.4800, 13.6000)  # Koordinaten eines hypothetischen Krankenhauses

# Erstellen eines GeoDataFrame für das Krankenhaus
krankenhaus_point = gpd.GeoDataFrame(
    {'name': ['Krankenhaus']},
    geometry=[Point(krankenhaus[1], krankenhaus[0])]
)

# Berechnung der Entfernungen
pflegeheime['distance_to_hospital'] = pflegeheime.geometry.distance(krankenhaus_point.geometry[0])

# Die nächsten Pflegeheime zum Krankenhaus anzeigen
naechste_pflegeheime = pflegeheime.nsmallest(5, 'distance_to_hospital')
print(naechste_pflegeheime[['name', 'distance_to_hospital']])
```

# Fazit

Mit `OSMnx` können wir effektiv geografische Daten zu Pflegeheimen in Berlin-Köpenick abrufen und analysieren. Diese Daten sind nützlich für Stadtplaner, Sozialarbeiter und alle, die sich für die Versorgung älterer Menschen interessieren.

# Weiterführende Ressourcen

- [OSMnx-Dokumentation](https://osmnx.readthedocs.io/)
- [OpenStreetMap](https://www.openstreetmap.org/)
- [Geopandas-Dokumentation](https://geopandas.org/)