共享单车需求分析

Posted 2021-11-28 iforger

一、问题说明

       共享单车在国内发展时间虽然不算长，但是在国外已经发展不算短了。单车共享系统是一种租赁自行车的方法，使用者租车及还车是通过各个站点网络自动完成，便利大家的生活，本数据来源于Kaggle比赛，本文的目的在于记录数据分析的学习历程。

数据变量说明：

• datatime 日期+时间
• season 1=春 2=夏 3=秋 4=冬
• holiday 1=节假日 0=非节假日
• workingday 1=工作日 0=周末
• weather 1=晴天多云 2=雾天阴天 3=小雪小雨 4=大雨大雪大雾
• temp 气温摄氏度
• atemp 体感温度
• humidity 湿度
• windspeed 风速
• casual 非注册用户个数
• registered 注册用户个数
• count 给定日期时间（每小时）总租车人数

二、数据准备

       导入必要的数据包：

1 #导入处理数据包
2 import numpy as np
3 import pandas as pd
4 from datetime import datetime
5 import matplotlib.pyplot as plt
6 import seaborn as sns

 

       导入数据：     

1 train=pd.read_csv(‘train_bike.csv‘)
2 test=pd.read_csv(‘test_bike.csv‘)

 

这里采用的是相对路径，若是在不同的文件夹下，需使用绝对路径。

       查看数据的整体情况：

#数据集大小
print("train:",train.shape)
print("test:",test.shape)
#查看数据集整体确实情况
print(train.info())
print(test.info())

 

train: (10886, 12)
test: (6493, 9)

<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
None
<class ‘pandas.core.frame.DataFrame‘>
RangeIndex: 6493 entries, 0 to 6492
Data columns (total 9 columns):
datetime      6493 non-null object
season        6493 non-null int64
holiday       6493 non-null int64
workingday    6493 non-null int64
weather       6493 non-null int64
temp          6493 non-null float64
atemp         6493 non-null float64
humidity      6493 non-null int64
windspeed     6493 non-null float64
dtypes: float64(3), int64(5), object(1)
memory usage: 456.6+ KB
None

 

#查看数据整体情况
train.describe()

 

可以看到，count,registered数值分布差异比较大，通过画图来直观的看看数据的分布情况：

#观察数密度分布
fig = plt.figure()
ax = fig.add_subplot(1, 1, 1)
fig.set_size_inches(5,4)
sns.distplot(train[‘count‘],color="g")
ax.set(xlabel=‘count‘,title=‘Distribution of count‘)
sns.set_style("dark")
ax.grid()
plt.savefig(‘count.jpg‘)
plt.show()

 1 #观察数密度分布
 2 fig = plt.figure()
 3 ax = fig.add_subplot(1, 1, 1)
 4 fig.set_size_inches(5,4)
 5 sns.distplot(train[‘registered‘],color="red")
 6 ax.set(xlabel=‘registered‘,title=‘Distribution of registered‘)
 7 sns.set_style("dark")
 8 ax.grid()
 9 plt.savefig(‘reg.jpg‘)
10 plt.show()

 

 数据偏斜比较严重，去掉3倍标准差以外的数据：

1 #去掉3倍标准差以外的数据
2 train_1 = train[np.abs(train[‘count‘]-train[‘count‘].mean())<=(3*train[‘count‘].std())] 
3 train_1 .shape
4 #去掉3倍标准差以外的数据
5 train_2 = train_1[np.abs(train[‘registered‘]-train[‘registered‘].mean())<=(3*train[‘registered‘].std())] 
6 train_2 .shape

 

(10739, 12)

(10648, 12)

 

处理之后，我们看看数据的分布情况

 1 #处理前后对比
 2 fig = plt.figure()
 3 ax1 = fig.add_subplot(1, 2, 1)
 4 ax2 = fig.add_subplot(1, 2, 2)
 5 fig.set_size_inches(10,6)
 6 
 7 sns.distplot(train[‘count‘],ax=ax1)
 8 sns.distplot(train_2[‘count‘],ax=ax2)
 9 
10 ax1.set(title=‘Distribution of count without outliers‘,)
11 ax2.set(title=‘Distribution of count‘)
12 plt.savefig(‘reg.jpg‘)
13 plt.show()

数据仍有很大程度的偏移，通常采用对数化来处理：

1 #进行对对数化
2 train_2count=train_2[‘count‘]
3 train_2count_log=np.log(train_2count)
4 sns.distplot(train_2count_log)
5 plt.show()

 

经过对数变换后数据分布更均匀，大小差异也缩小了，使用这样的标签对训练模型是有益的

---

 

接下来对其余的数值型数据进行处理，为方便后续分析，我们对时间进行拆分：

#date
def get_date(x):
    dateStr=x.split()[0]
    dateDT=datetime.strptime(dateStr,"%Y/%m/%d")
    return dateDT
train_2[‘Date‘]=train_2.datetime.apply(get_date)
#年
def get_Year(x):
    year=x.split(‘/‘)[0]
    return year
train_2[‘Year‘]=train_2.datetime.apply(get_Year)
#月份
def get_month(x):
    Month=x.split(‘/‘)[1]
    return Month
train_2[‘Month‘]=train_2.datetime.apply(get_month)
#日
def get_day(x):
    dateStr=x.split()[0]
    dateDT=datetime.strptime(dateStr,"%Y/%m/%d")
    day=dateDT
    return day
train_2[‘Day‘]=train_2.datetime.apply(get_day)
#小时
def get_hour(x):
    hour=x.split()[1].split(‘:‘)[0]
    return hour
train_2[‘Hour‘]=train_2.datetime.apply(get_hour)
#星期
def get_weekday(x):
    date=x.split()[0]
    date_=datetime.strptime(date,"%Y/%m/%d")
    weekday=date_.weekday()
    return weekday
train_2[‘Weekday‘]=train_2.datetime.apply(get_weekday)
print(train_2.head())
print(train_2.info())

<class ‘pandas.core.frame.DataFrame‘>
Int64Index: 10575 entries, 0 to 10885
Data columns (total 18 columns):
datetime      10575 non-null object
season        10575 non-null int64
holiday       10575 non-null int64
workingday    10575 non-null int64
weather       10575 non-null int64
temp          10575 non-null float64
atemp         10575 non-null float64
humidity      10575 non-null int64
windspeed     10575 non-null float64
casual        10575 non-null int64
registered    10575 non-null int64
count         10575 non-null int64
Date          10575 non-null datetime64[ns]
Year          10575 non-null object
Month         10575 non-null object
Day           10575 non-null datetime64[ns]
Hour          10575 non-null object
Weekday       10575 non-null int64
dtypes: datetime64[ns](2), float64(3), int64(9), object(4)
memory usage: 1.5+ MB
None

 

我们看到分离的Year,Month,Hour都是object类型，这里将其转变为数值型：

train_2[[‘Year‘,‘Month‘,‘Hour‘]]=train_2[[‘Year‘,‘Month‘,‘Hour‘]].astype(int)
print(train_2.info())

 

然后删掉时间列，同时进行相关性分析

 1 #删除datetime列
 2 train_2.drop(‘datetime‘,axis=1,inplace=True)
 3 cor=train_2.corr()
 4 
 5 fig=plt.figure(figsize=(12,12))
 6 sns.set(style=‘white‘)
 7 sns.heatmap(cor,vmax=0.8,square=True,annot=True)
 8 plt.xticks(fontsize=15,color=‘black‘,rotation=45)
 9 plt.yticks(fontsize=15,color=‘black‘)
10 plt.savefig(‘test2.jpg‘)
11 plt.show()

对租赁数量影响进行排序：

cor[‘count‘].sort_values(ascending=False)

count         1.000000
registered    0.964736
casual        0.731193
Hour          0.424267
temp          0.393600
atemp         0.389744
Year          0.218463
Month         0.163407
season        0.159659
windspeed     0.115110
Weekday       0.038969
holiday       0.007783
workingday   -0.040445
weather      -0.134168
humidity     -0.333237
Name: count, dtype: float64

 

可以看到对租赁数量的影响因素中：时段>温度>湿度>年份>月份等。

下一分部将用可视化对租赁的影响进行进一步分析。