Avoindata.fi

All Finnish open data from one place.

1886

Datasets

Show all →

758

Publishers

Show all →

73

Showcases

Show all →

Datasets

Hämeenlinnan kaupungin ostolaskut 2020

MODIFIED 21.09.2021
ulkaisussa on mukana Hämeenlinnan kaupungin ulkoiset ostot laskuriveittäin vuodelta 2020 lukuun ottamatta tietosuojan rajoittamia rivejä. Käytännössä tiedostoista on karsittu pois tilit, joita suojaa henkilötietolaki. Aineistossa tili kertoo oston tarkoituksesta ja kustannuspaikka oston tekijästä kaupungilla. Toimittaja on tuotteen tai palvelun myyjä, joka on saanut maksusuorituksen. Laskusummat ovat nettohintoja ilman arvonlisäveroa. Kirjaussuunnitelman kustannuspaikkatiedot eri tasoineen voi liittää aineistoon kustannuspaikan numerolla.

Population and housing producion projections of Helsinki

MODIFIED 20.09.2021
The population projection of Helsinki and the Helsinki Region.

City of Vantaa procurements

MODIFIED 20.09.2021
The City of Vantaa’s procurements in 2012-. The data includes all municipal departments and unincorporated business entities.

Hämeenlinnan kaupungin ostolaskut 2020

MODIFIED 21.09.2021
ulkaisussa on mukana Hämeenlinnan kaupungin ulkoiset ostot laskuriveittäin vuodelta 2020 lukuun ottamatta tietosuojan rajoittamia rivejä. Käytännössä tiedostoista on karsittu pois tilit, joita suojaa henkilötietolaki. Aineistossa tili kertoo oston tarkoituksesta ja kustannuspaikka oston tekijästä kaupungilla. Toimittaja on tuotteen tai palvelun myyjä, joka on saanut maksusuorituksen. Laskusummat ovat nettohintoja ilman arvonlisäveroa. Kirjaussuunnitelman kustannuspaikkatiedot eri tasoineen voi liittää aineistoon kustannuspaikan numerolla.

eVaka

MODIFIED 20.09.2021
eVaka on varhaiskasvatuksen asiakastietojärjestelmä. eVaka on Espoon oma, avoimeen lähdekoodiin perustuva järjestelmä, jota kehitetään yhdessä Tampereen, Oulun ja Turun kaupunkien kanssa.

Kiskon tarkastus (RAIKUn tietolaji)

MODIFIED 15.09.2021
Tietolajissa esitetään kiskoihin kohdistuvat tarkastustoimenpiteet. Tarkastusten sijainti esitetään aineistossa kilometrin tarkkuudella ja ne on yleistetty rataverkon ratakilometrien mukaan. Tarkastuksen tyyppi löytyy subtype-kentästä. Mahdollisia tarkastustoimenpiteitä ovat: - Jatkosrakomittaus - Ultraäänitarkastus - Lisäultraäänitarkastus Tarkastustoimenpiteen tila löytyy status-kentästä, mahdollisia tiloja ovat: - 'planned' = Tarkastus on suunniteltu - 'in_progress' = Tarkastus on käynnissä - 'done' = Tarkastus on valmis - 'on_hold' = Toimenpidettä ei voida tehdä, koska odottaa - 'cancelled' = Toimenpide on peruttu Lisäksi tarkastustoimenpiteet sisältävät seuraavat ominaisuustiedot: - 'uid' = kohteen yksilöivä id-tunnus - 'client_kirjausaika' = - 'kirjausaika' = - 'kuittausaika' = - 'type' = Havainnon alkuperäisen geometrian tyyppi, voi olla pistemäinen tai viivamainen - 'aloitusaika' = Ajankohta, jolloin toimenpide on aloitettu - 'lopetusaika' = Ajankohta, jolloin toimenpide on lopetettu - 'muokkausaika' = Viimeisin toimenpideilmoituksen muokkausajankohta - 'irrotus_pvm' = Ajankohta, jolloin tieto on haettu lähdejärjestelmästä

Open your data

Does your organization produce data that could benefit or interest others? We offer guidance and a distribution channel for your datasets.

Showcases

Clousby — Löydä minkä tahansa kadun lähimmät palvelut

January 25, 2021

When you travel or move to a new neighbourhood, finding the nearest services can be difficult and slow. Why not enter the address on Clousby and find the nearest services immediately?

DATASET 1 — ADDRESSES Addresses were read from the open dataset about Finnish buildings, addresses, postcodes and WGS84 coordinates. Localities had to be retrieved from Google's Geolocation API (https://developers.google.com/maps/documentation/geocoding/overview) since the open dataset didn't have it. This part is still Work in Progress.

DATASET 2 — SERVICES The services, i.e. points of interest, were read from the open datasource http://download.geofabrik.de/europe/finland.html that is an extract from the OpenStreetMap.org-database.

FILTERING Both datasets were filtered to obtain better data for the context. Filtering removed data such as (1) addresses that had no street or avenue, (2) points of interest that had no name, and (3) points of interest that were not meaningful to the application.

Filtering was done in two parts: (1) when the raw data was read into the database and (2) modifying the database. This solution felt natural since we could utilize "dummy" filtering on the former and more advanced filtering on the latter.

The original dataset 1 included about 3,6 million addresses from which little under 2 million were left into the database. The end product has 3 147 unique postal codes (the original amount was not checked).

TECHNICAL IMPLEMENTATION Every address got a unique slug field that includes street/avenue, housenumber, and a postal code (e.g. "yliopistonkatu-2-20100"). This slug field allowed creating a unique "homepage" for each address. The homepage includes the services that are near the given street (e.g. https://clousby.com/en/streets/yliopistonkatu-2-20100).

The services are constructed dynamically based on the coordinates of the addresses and the services. Simply said, the database is asked the following: "Give the services that are within 1000 meters of the coordinates of Yliopistonkatu 1 20100, and order them by distance, starting from the nearest". The result is then categorized by amenities, and shown on the address' homepage.

TOOLING

Docker 20.10.2 Docker Compose 1.27.4 Ruby 2.7.2 Ruby on Rails 5.2.4.4 PostgreSQL 11.2 PostGIS 2.5.2