共享单车项目分析

作者：马建龙

目录

1. 提出问题
2. 理解数据

• 采集数据
• 导入数据
• 查看数据集信息

3. 数据清洗

• 数据预处理

4. 数据分析
5. 数据可视化
6. 方案实施

• 报告撰写

1、提出问题

根据kaggle项目：共享单车的数据进行描述性统计分析，查看不同因素对共享单车使用数量的影响。

2、理解数据

2.1 采集数据

从kaggle网站下载，https://www.kaggle.com/c/bike-sharing-demand

2.1 导入数据

1import numpy as np
2import pandas as pd
3import datetime

1%matplotlib inline

1bike=pd.read_csv("C:/Users/my/data/train(bike).csv")

2.3 查看数据信息

datetime（日期） - hourly date + timestamp

season（季节） - 1 = spring, 2 = summer, 3 = fall, 4 = winter

holiday（是否假日） - whether the day is considered a holiday

workingday（是否工作日） - whether the day is neither a weekend nor holiday

weather（天气等级） -

1: Clear, Few clouds, Partly cloudy 清澈，少云，多云。

2: Mist + Cloudy, Mist + Broken clouds, Mist + Few clouds, Mist 雾+阴天，雾+碎云、雾+少云、雾

3: Light Snow, Light Rain + Thunderstorm + Scattered clouds, Light Rain + Scattered clouds 小雪、小雨+雷暴+散云，小雨+云

4: Heavy Rain + Ice Pallets + Thunderstorm + Mist, Snow + Fog 暴雨+冰雹+雷暴+雾，雪+雾

temp（温度） - temperature in Celsius

atemp（体感温度） - "feels like" temperature in Celsius

humidity（相对湿度） - relative humidity

windspeed（风速） - wind speed

casual（临时租赁数量） - number of non-registered user rentals initiated

registered（会员租赁数量） - number of registered user rentals initiated

count（总租赁数量） - number of total rentals

1bike.shape

(10886, 12)

1bike.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 10886 entries, 0 to 10885
Data columns (total 12 columns):
datetime      10886 non-null object
season        10886 non-null int64
holiday       10886 non-null int64
workingday    10886 non-null int64
weather       10886 non-null int64
temp          10886 non-null float64
atemp         10886 non-null float64
humidity      10886 non-null int64
windspeed     10886 non-null float64
casual        10886 non-null int64
registered    10886 non-null int64
count         10886 non-null int64
dtypes: float64(3), int64(8), object(1)
memory usage: 1020.6+ KB

1bike.head()

数据清洗

3.1 选择子集

本数据暂时不用选择子集

3.2 列重命名

1bike.columns=["日期","季节","节假日","工作日","天气","温度","感觉温度","湿度","风速","非注册用户","注册用户","数量"]

1bike.head()

3.3 缺失值处理

• 本数据没有缺失值

3.4 替换值

• 本数据变量中的分类变量有：季节，节假日，工作日，天气，需要进行变换

1jijie={1:"春",2:"夏",3:"秋",4:"冬"}

1jijie

{1: '春', 2: '夏', 3: '秋', 4: '冬'}

1bike["季节"]=bike["季节"].map(jijie)

1tianqi={1:"晴，少云",2:"薄雾，少云",3:"小雨，小雪，散云",4:"大雨，冰雹，雪，雾"}

1bike["天气"]=bike["天气"].map(tianqi)

• 节假日和工作日，需要先把日期列转换为date格式

3.5 重复值处理

1bike.drop_duplicates(inplace=True)

1bike.shape#没有重复值

(10886, 12)

3.6 字符类型转换

1bike.dtypes

日期        object
季节        object
节假日        int64
工作日        int64
天气        object
温度       float64
感觉温度     float64
湿度         int64
风速       float64
非注册用户      int64
注册用户       int64
数量         int64
dtype: object

1bike.loc[0,"日期"].split(" ")

['2011-01-01', '00:00:00']

1a=[]
2b=[]
3for i in bike["日期"]:
4    c=i.split(" ")
5    a.append(c[0])
6    b.append(c[1])
7        

1bike["日期"]=a

1bike["时间"]=b

1bike.head()

1bike["日期"]=pd.to_datetime(bike["日期"], format='%Y-%m-%d', errors='coerce')

1bike.dtypes

日期       datetime64[ns]
季节               object
节假日               int64
工作日               int64
天气               object
温度              float64
感觉温度            float64
湿度                int64
风速              float64
非注册用户             int64
注册用户              int64
数量                int64
时间               object
dtype: object

1bike.loc[0,"日期"].weekday()

5

1xingqi={0:"星期一",1:"星期二",2:"星期三",3:"星期四",4:"星期五",5:"星期六",6:"星期日"}

1a=[]
2for i in bike["日期"]:
3    b=i.weekday()
4    a.append(b)

1bike["星期"]=a

1bike["星期"]=bike["星期"].map(xingqi)

1bike.head()

1bike.loc[0,"日期"].month

1

1a=[]
2for i in bike["日期"]:
3    b=i.month
4    a.append(b)

1bike["月份"]=a

1b=[]
2for i in bike["时间"]:
3    a=i.split(":")
4    b.append(a[0])

1bike["时间"]=b

1bike.head()

1bike2=pd.read_csv("C:/Users/my/data/train(bike).csv")

1bike2.columns=["日期","季节","节假日","工作日","天气","温度","感觉温度","湿度","风速","非注册用户","注册用户","数量"]

1a=[]
2b=[]
3for i in bike2["日期"]:
4    c=i.split(" ")
5    a.append(c[0])
6    b.append(c[1])

1bike2["日期"]=a
2bike2["时段"]=b

1bike2.head()

1bike2["日期"]=pd.to_datetime(bike2["日期"], format='%Y-%m-%d', errors='coerce')

1a=[]
2for i in bike2["日期"]:
3    b=i.weekday()
4    a.append(b)

1bike2["星期"]=a

1a=[]
2for i in bike["日期"]:
3    b=i.month
4    a.append(b)

1bike2["月份"]=a

1b=[]
2for i in bike2["时段"]:
3    a=i.split(":")
4    b.append(a[0])

1bike2["时段"]=b

1bike2.dtypes

日期       datetime64[ns]
季节                int64
节假日               int64
工作日               int64
天气                int64
温度              float64
感觉温度            float64
湿度                int64
风速              float64
非注册用户             int64
注册用户              int64
数量                int64
时段                int64
星期                int64
月份                int64
dtype: object

1bike2["时段"]=bike2["时段"].astype("int64")

1bike2.head()

1bike.head()

• 在这一步有些差错，所以就做了2个Df：bike和bike2。bike是把数值型的转换为字符型，是用来画表用的，让表格更加直观，bike2是把所有变量转化为数值型，是为以后构建模型方便。

4 进行数据分析与可视化

1g = sns.PairGrid(bike2)
2g.map(plt.scatter)#这个图没啥用

<seaborn.axisgrid.PairGrid at 0x1d792208>

1corrDf = bike2.corr() 
2corrDf

1corrDf["数量"].sort_values(ascending=False)

数量       1.000000
注册用户     0.970948
非注册用户    0.690414
时段       0.400601
温度       0.394454
感觉温度     0.389784
月份       0.166862
季节       0.163439
风速       0.101369
工作日      0.011594
星期      -0.002283
节假日     -0.005393
天气      -0.128655
湿度      -0.317371
Name: 数量, dtype: float64

1fig=plt.figure(figsize=(12,12))
2ax1=fig.add_subplot(1,1,1)
3sns.set(style='dark')
4sns.heatmap(corrDf,ax=ax1,vmax=1,square=False,annot=True,cmap='YlGnBu',linewidths=.5)
5plt.title('Heatmap on Correlation',fontsize=30,color='white')
6plt.xticks(fontsize=10,color='white',rotation=45)
7plt.yticks(fontsize=10,color='white')
8plt.show()

• 这一步进行了相关性分析，从结果上可以看出，影响因素的排名为：时段>温度>感觉温度>湿度>月份>季节>天气>风速，其中正相关的有：时段，温度，感觉温度，月份，季节，风速；负相关的有湿度，天气

4.1查看月份与共享单车的影响

1import seaborn as sns
2import matplotlib.pyplot as plt

1fig,(ax1,ax2)=plt.subplots(nrows=2)
2fig.set_size_inches(9,10)
3sns.barplot(data=monthg,x="月份",y="数量",ax=ax1)
4sns.pointplot(data=monthg,x="月份",y="数量",ax=ax1)
5ax1.set(xlabel="月",ylabel="数量",title="每月的共享单车数量")
6
7sns.barplot(data=monthweek,x="月份",y="数量",hue="星期",ax=ax2)
8ax2.set(xlabel="月",ylabel="数量",title="每月的共享单车数量")

[Text(0,0.5,'数量'), Text(0.5,0,'月'), Text(0.5,1,'每月的共享单车数量')]

1rizhu=pd.DataFrame(bike.groupby("月份")["注册用户"].mean()).reset_index()
2rifeizhu=pd.DataFrame(bike.groupby("月份")["非注册用户"].mean()).reset_index()
3ri=pd.DataFrame(bike.groupby("月份")["数量"].mean()).reset_index()

1fig,ax1=plt.subplots()
2fig.set_size_inches(20, 20)
3sns.pointplot(data=rifeizhu,x="月份",y="非注册用户",color="green",ax=ax1,label="非注册用户")
4sns.pointplot(data=rizhu,x="月份",y="注册用户",color="red",ax=ax1,label="非注册用户")
5sns.pointplot(data=ri,x="月份",y="数量",color="black",ax=ax1,label="总数量")
6ax1.set(xlabel="月份",ylabel="数量",title="不同月份下不同用户类型的增长情况")

[Text(0,0.5,'数量'), Text(0.5,0,'月份'), Text(0.5,1,'不同月份下不同用户类型的增长情况')]

• 从上图可以看出，5-10月的共享单车使用量比较高，而且变化比较稳定，11-12月是一个递减趋势，1-4月是一个递增趋势，虽然11、12月是递减趋势，但是仍然比1、2、3、4这四个月份的使用量高。初步分析的天气因素的温度造成的，温度越低，人们使用共享单车的数量越少。

4.2 查看季节与共享单车数量的关系

1monthg=pd.DataFrame(bike.groupby("月份")["数量"].mean()).reset_index()
2monthg=monthg.sort_values(by="数量",ascending=False)
3monthweek=pd.DataFrame(bike.groupby(["月份","星期"],sort=True)["数量"].mean()).reset_index()
4monthweek=monthweek.sort_values(by="数量",ascending=False)

1monthg.head()

1jijiedf=pd.DataFrame(bike.groupby("季节")["数量"].mean()).reset_index()

1jijieshijian=pd.DataFrame(bike.groupby(["季节","时间"],sort=True)["数量"].mean()).reset_index()
2jijiexingqi=pd.DataFrame(bike.groupby(["季节","星期"],sort=True)["数量"].mean()).reset_index()

 1fig,(ax1,ax2,ax3)=plt.subplots(nrows=3)
 2fig.set_size_inches(9,10)
 3sns.barplot(data=jijiedf,x="季节",y="数量",ax=ax1)
 4sns.pointplot(data=jijiedf,x="季节",y="数量",ax=ax1)
 5ax1.set(xlabel="季节",ylabel="数量",title="每个季节共享单车数量")
 6
 7sns.barplot(data=jijieshijian,x="季节",y="数量",hue="时间",ax=ax2)
 8ax2.set(xlabel="季节",ylabel="数量",title="每月的共享单车数量")
 9
10sns.barplot(data=jijiexingqi,x="季节",y="数量",hue="星期",ax=ax3)
11ax3.set(xlabel="季节",ylabel="数量",title="每月的共享单车数量")

[Text(0,0.5,'数量'), Text(0.5,0,'季节'), Text(0.5,1,'每月的共享单车数量')]

• 从上图看出秋季的使用量最高，对应的是7,8,9月份，春季的使用量最低，对应的是1,2,3月份，与月份图想吻合。而且在季节星期和月份星期的图中都可以看出，不论哪个月份，哪个季节，每周中7天的共享单车使用数量都没有明显的差别。

4.3 查看每个时间断与共享单车数量的关系

 1shijianweek=pd.DataFrame(bike.groupby(["时间","星期"],sort=True)["数量"].mean()).reset_index()
 2shijiajijie=pd.DataFrame(bike.groupby(["时间","季节"],sort=True)["数量"].mean()).reset_index()
 3shijianyuefen=pd.DataFrame(bike.groupby(["时间","月份"],sort=True)["数量"].mean()).reset_index()
 4shijian=pd.DataFrame(bike.groupby("时间")["数量"].mean()).reset_index()
 5
 6fig,(ax1,ax2,ax3,ax4)=plt.subplots(nrows=4)
 7fig.set_size_inches(9,10)
 8sns.pointplot(data=shijian,x="时间",y="数量",ax=ax1)
 9ax1.set(xlabel="时间",ylabel="数量",title="不同时间断的共享单车数量")
10
11sns.pointplot(data=shijianweek,x="时间",y="数量",hue="星期",ax=ax2)
12ax2.set(xlabel="时间",ylabel="数量",title="每周不同时间段的共享单车数量")
13
14sns.pointplot(data=shijiajijie,x="时间",y="数量",hue="季节",ax=ax3)
15ax3.set(xlabel="时间",ylabel="数量",title="每个季节不同时间段的共享单车数量")
16
17sns.pointplot(data=shijianyuefen,x="时间",y="数量",hue="月份",ax=ax4)
18ax4.set(xlabel="时间",ylabel="数量",title="每月不同时间段的共享单车数量")

[Text(0,0.5,'数量'), Text(0.5,0,'时间'), Text(0.5,1,'每月不同时间段的共享单车数量')]

• 从图中得出阶段，时段对于共享单车使用数量有着较大的影响，在周一到周五通勤时，变化剧烈，具体时间段为5.00-10.00。16.00-20.00，在10.00-16.00之间平缓运行， 但是在12.00-13.00之间有一个小高峰，为午间休息时间。而且下午时间段要比上午时间段要高。但是周五的使用量在白天是略高于其他四天，但是晚上则是略低于 其他四天，这就以为这周五这一天白天人们出行时间多，而晚上则出行时间少。
• 在周末则是变换平缓，虽然通勤时间段没有工作日高，但是在9.00-16.00是要高于工作日的，并且变化平滑。
• 通过上面4个图可以得出，时段的曲线变化是基本不根据季节和月份来变化的，因此，时段对于共享单车数量的影响具有很强的规律和适用性。

4.4 查看不同时间注册用户与非注册用户的数据对比

1shijianyonghu=pd.DataFrame(bike.groupby("时间")["注册用户"].mean()).reset_index()
2shijianfeiyonghu=pd.DataFrame(bike.groupby("时间")["非注册用户"].mean()).reset_index()

1fig,ax1=plt.subplots()
2fig.set_size_inches(9,10)
3sns.pointplot(data=shijianfeiyonghu,x="时间",y="非注册用户",color="blue",ax=ax1,label="非注册用户")
4sns.pointplot(data=shijianyonghu,x="时间",y="注册用户",color="red",ax=ax1,label="注册用户")
5ax1.set(xlabel="时间",ylabel="数量",title="每个时间段非注册用户的数量")
6ax1.legend(loc="best")

No handles with labels found to put in legend.





<matplotlib.legend.Legend at 0xefb1be0>

1swz=pd.DataFrame(bike.groupby(["时间","星期"],sort=True)["注册用户"].mean()).reset_index()
2swfz=pd.DataFrame(bike.groupby(["时间","星期"],sort=True)["非注册用户"].mean()).reset_index()

1fig,(ax1,ax2)=plt.subplots(nrows=2,sharey=True)
2fig.set_size_inches(15,10)
3plt.ylim=([0,400])
4sns.pointplot(data=swz,x="时间",y="注册用户",hue="星期",ax=ax1)
5ax1.set(xlabel="时间",ylabel="数量",title="每周每个时间段注册用户的数量")
6sns.pointplot(data=swfz,x="时间",y="非注册用户",hue="星期",ax=ax2)
7ax2.set(xlabel="时间",ylabel="数量",title="每周时间段非注册用户的数量")

[Text(0,0.5,'数量'), Text(0.5,0,'时间'), Text(0.5,1,'每周时间段非注册用户的数量')]

• 如图所示，时段与注册用户的使用量具有明显的规律性，与通勤时间想吻合。而时段与未注册用户的使用量的关系与之相比则不够明显，但是也具有一定的 的规律性，在工作日的8.00-15.00之间，非注册用户的使用量缓慢上升，但是在周末，非注册用户的使用量变化则是与注册用户的使用量变化相同，都是在 8.00-14.00之间上升，在14.00-20.00下降，而且周日比周六的使用量更加少。

4.5 利用箱型图查看各时间单位上共享单车数量的变化

1fig,axes=plt.subplots(2,2)
2fig.set_size_inches(10, 10)
3sns.boxplot(data=bike,x="季节",y="数量",ax=axes[0][0])
4sns.boxplot(data=bike,x="时间",y="数量",ax=axes[0][1])
5sns.boxplot(data=bike,x="月份",y="数量",ax=axes[1][0])
6sns.boxplot(data=bike,x="星期",y="数量",ax=axes[1][1])

<matplotlib.axes._subplots.AxesSubplot at 0x10a48208>

• 从上图可以看出：季节，时间，月份对共享单车使用量的变化有一定想想，但是星期则没有大的影响。

4.6 不同天气因素对共享单车数量的影响

1sns.jointplot(data=bike,x="温度",y="数量")

D:\anaconda\lib\site-packages\matplotlib\axes\_axes.py:6462: UserWarning: The 'normed' kwarg is deprecated, and has been replaced by the 'density' kwarg.
  warnings.warn("The 'normed' kwarg is deprecated, and has been "
D:\anaconda\lib\site-packages\matplotlib\axes\_axes.py:6462: UserWarning: The 'normed' kwarg is deprecated, and has been replaced by the 'density' kwarg.
  warnings.warn("The 'normed' kwarg is deprecated, and has been "





<seaborn.axisgrid.JointGrid at 0xfbd57b8>

• 从上图看出，温度对数量的变化有一定的影响，在0-30度的时候，呈现的是正先关，但是超过30度，则呈现的是负相关。

1sns.jointplot(data=bike,x="湿度",y="数量")

D:\anaconda\lib\site-packages\matplotlib\axes\_axes.py:6462: UserWarning: The 'normed' kwarg is deprecated, and has been replaced by the 'density' kwarg.
  warnings.warn("The 'normed' kwarg is deprecated, and has been "
D:\anaconda\lib\site-packages\matplotlib\axes\_axes.py:6462: UserWarning: The 'normed' kwarg is deprecated, and has been replaced by the 'density' kwarg.
  warnings.warn("The 'normed' kwarg is deprecated, and has been "





<seaborn.axisgrid.JointGrid at 0x126b9fd0>

• 从上图看出，湿度对于数量有一定的负相关，湿度越高，数量越少。

1sns.jointplot(data=bike,x="天气",y="数量")

---------------------------------------------------------------------------

TypeError                                 Traceback (most recent call last)

<ipython-input-138-b7651e10b8b4> in <module>()
----> 1 sns.jointplot(data=bike,x="天气",y="数量")


D:\anaconda\lib\site-packages\seaborn\axisgrid.py in jointplot(x, y, data, kind, stat_func, color, size, ratio, space, dropna, xlim, ylim, joint_kws, marginal_kws, annot_kws, **kwargs)
   2249         marginal_kws.setdefault("kde", False)
   2250         marginal_kws.setdefault("color", color)
-> 2251         grid.plot_marginals(distplot, **marginal_kws)
   2252 
   2253     elif kind.startswith("hex"):


D:\anaconda\lib\site-packages\seaborn\axisgrid.py in plot_marginals(self, func, **kwargs)
   1778         kwargs["vertical"] = False
   1779         plt.sca(self.ax_marg_x)
-> 1780         func(self.x, **kwargs)
   1781 
   1782         kwargs["vertical"] = True


D:\anaconda\lib\site-packages\seaborn\distributions.py in distplot(a, bins, hist, kde, rug, fit, hist_kws, kde_kws, rug_kws, fit_kws, color, vertical, norm_hist, axlabel, label, ax)
    210     if hist:
    211         if bins is None:
--> 212             bins = min(_freedman_diaconis_bins(a), 50)
    213         hist_kws.setdefault("alpha", 0.4)
    214         hist_kws.setdefault("normed", norm_hist)


D:\anaconda\lib\site-packages\seaborn\distributions.py in _freedman_diaconis_bins(a)
     29     if len(a) < 2:
     30         return 1
---> 31     h = 2 * iqr(a) / (len(a) ** (1 / 3))
     32     # fall back to sqrt(a) bins if iqr is 0
     33     if h == 0:


D:\anaconda\lib\site-packages\seaborn\utils.py in iqr(a)
    346     """Calculate the IQR for an array of numbers."""
    347     a = np.asarray(a)
--> 348     q1 = stats.scoreatpercentile(a, 25)
    349     q3 = stats.scoreatpercentile(a, 75)
    350     return q3 - q1


D:\anaconda\lib\site-packages\scipy\stats\stats.py in scoreatpercentile(a, per, limit, interpolation_method, axis)
   1668         axis = 0
   1669 
-> 1670     return _compute_qth_percentile(sorted, per, interpolation_method, axis)
   1671 
   1672 


D:\anaconda\lib\site-packages\scipy\stats\stats.py in _compute_qth_percentile(sorted, per, interpolation_method, axis)
   1711 
   1712     # Use np.add.reduce (== np.sum but a little faster) to coerce data type
-> 1713     return np.add.reduce(sorted[indexer] * weights, axis=axis) / sumval
   1714 
   1715 


TypeError: can't multiply sequence by non-int of type 'float'

1tianqi=pd.DataFrame(bike.groupby("天气")["数量"].mean()).reset_index()
2sns.barplot(data=tianqi,x="天气",y="数量")

<matplotlib.axes._subplots.AxesSubplot at 0x29cb2978>

1tianqi

• 根据以上信息来进行判断，天气对于数量有有一定的影响，天气越恶劣，数量越少，但是大雨，冰雹天气的数量太小，只有一个，并不考虑。

1sns.jointplot(data=bike,x="风速",y="数量")

D:\anaconda\lib\site-packages\matplotlib\axes\_axes.py:6462: UserWarning: The 'normed' kwarg is deprecated, and has been replaced by the 'density' kwarg.
  warnings.warn("The 'normed' kwarg is deprecated, and has been "
D:\anaconda\lib\site-packages\matplotlib\axes\_axes.py:6462: UserWarning: The 'normed' kwarg is deprecated, and has been replaced by the 'density' kwarg.
  warnings.warn("The 'normed' kwarg is deprecated, and has been "





<seaborn.axisgrid.JointGrid at 0xfef1080>

• 总图中看出，温度对共享单车使用过的数量总体有一定的负相关，但是从相关系数上来看，则是正相关。我们进行细分的话，在小于15风速的时候，风速是正相关的，在大于15风速的情况下，风速是负相关的，两者都有局限性，因此，我们不能凭借风速来判断。