python matplotlib,plt.pie,plt.bar(bike数据的分析)
说在前面：这个是七月在线线下课程的一个课件，侵权的话联系删除，想学的可以点击链接买,运行环境是notebook。因为方便手机查看，所以把这个放博客上。
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import seaborn as sns
from datetime import datetime
from pandas import Series, DataFrame
get_ipython().run_line_magic(‘matplotlib’, ‘inline’)
In[5]:
数据来源：https://s3.amazonaws.com/tripdata/index.html
偷懒只处理最近6个月数据
bike_df = pd.read_csv(‘data/citibike/JC-201704-citibike-tripdata.csv’)
bike_df = bike_df.append(pd.read_csv(‘data/citibike/JC-201705-citibike-tripdata.csv’), ignore_index=False)
bike_df = bike_df.append(pd.read_csv(‘data/citibike/JC-201706-citibike-tripdata.csv’), ignore_index=False)
bike_df = bike_df.append(pd.read_csv(‘data/citibike/JC-201707-citibike-tripdata.csv’), ignore_index=False)
bike_df = bike_df.append(pd.read_csv(‘data/citibike/JC-201708-citibike-tripdata.csv’), ignore_index=False)
bike_df = bike_df.append(pd.read_csv(‘data/citibike/JC-201709-citibike-tripdata.csv’), ignore_index=False)
print(bike_df.shape)
bike_df.head()
In[3]:
print(‘租赁点：%d’ % len(bike_df[‘start station name’].unique()))
print(‘被骑自行车数量：%d’ % len(bike_df[‘bikeid’].unique()))
print(‘骑行次数：%d’ % bike_df.shape[0])
print(‘每部骑行时长（分钟）：%.2f’ % float(bike_df[‘tripduration’].sum() / bike_df[‘bikeid’].count() / 60))
print(‘租借频率：%.2f’ % float(bike_df[‘bikeid’].count() / len(bike_df[‘bikeid’].unique())))
In[4]:
按月统计
bike_df[‘starttime’]=pd.to_datetime(bike_df[‘starttime’])
bike_df = bike_df.set_index(‘starttime’) # 转成时间序列
print(bike_df.head())
bike_df_by_month = bike_df.resample(‘M’).apply(len)
bike_df_by_month = bike_df_by_month[‘bikeid’]
bike_df_by_month
In[5]:
画出每月骑行次数
plt.rcParams[‘font.sans-serif’]=[‘SimHei’] #用来正常显示中文标签
plt.rcParams[‘axes.unicode_minus’]=False #用来正常显示负号
plt.rc(‘font’, family=‘SimHei’, size=15)
plt.plot(bike_df_by_month, ‘r8’, bike_df_by_month, ‘g-’, linewidth=1, markeredgewidth=5, alpha=0.8)
plt.xlabel(‘月份’)
plt.ylabel(‘租赁骑行次数’)
plt.title(‘最近半年Citi Bike每月骑行次数’)
plt.show()
In[6]:
画出按季度的分布
bike_df_by_quarter = bike_df.resample(‘Q’).apply(len)
bike_df_by_quarter = bike_df_by_quarter[‘bikeid’]
print(bike_df_by_quarter)
In[7]:
#绘制按季度汇总的骑行次数柱状图
plt.bar([10,15], bike_df_by_quarter, alpha=0.8, align=‘center’, edgecolor=‘white’)
plt.xlabel(‘季度’)
plt.ylabel(‘租赁骑行次数’)
plt.title(‘最近2个季度Citi Bike每季度骑行次数’)
plt.legend([‘次数’], loc=‘upper right’)
plt.grid(color=’#95a5a6’, linestyle=’–’, linewidth=1, axis=‘y’, alpha=0.4)
plt.xlim(5, 20)
plt.ylim(60000, 120000)
plt.xticks([10,15], (‘二季度’,‘三季度’))
plt.show()
In[8]:
画出性别分布
bike_df_by_gender= bike_df.groupby(‘gender’)[‘bikeid’].agg(len) / bike_df[“bikeid”].count() * 100
print(bike_df_by_gender)
plt.pie(bike_df_by_gender,labels=[‘未知’, ‘男性’, ‘女性’], colors=[‘red’, ‘blue’, ‘green’],explode=(0, 0, 0),startangle=60,autopct=’%1.1f%%’)
plt.pie(bike_df_by_gender,labels=[‘未知’, ‘男性’, ‘女性’], colors=[‘red’, ‘blue’, ‘green’], explode=(0, 0, 0), startangle=60, autopct=’%1.1f%%’)
plt.title(‘Citi Bike用户性别占比’)
plt.legend([‘未知’, ‘男性’, ‘女性’], loc=‘upper left’)
plt.show()
In[9]:
画出年龄分布
bike_df[‘age’] = 2016 - bike_df[‘birth year’] # 大于100岁虽然不合理，但先不管了，暂时保留。(15, 129)
bins = [0, 18, 30, 50, 131]
age_group = [‘少年’, ‘青年’, ‘中年’, ‘老年’]
bike_df[‘age_group’] = pd.cut(bike_df[‘age’], bins, labels=age_group)
bike_df_by_ag = bike_df.groupby(‘age_group’)[‘age_group’].agg(len)
mean_ages = bike_df.groupby(‘age_group’)[‘age’].mean()
print(bike_df.groupby(‘age_group’)[‘age_group’].value_counts())
plt.bar([1,2,3,4], bike_df_by_ag, color=‘red’, alpha=0.8, align=‘center’, edgecolor=‘white’)
plt.xlabel(‘年龄分组’)
plt.ylabel(‘租赁次数’)
plt.title(‘Citi Bike用户年龄分布’)
plt.legend([‘次数’], loc=‘upper right’)
plt.grid(color=‘green’, linestyle=’–’, linewidth=1, axis=‘y’, alpha=0.4)
plt.xticks([1,2,3,4], (‘少年’,‘青年’,‘中年’,‘老年’))
plt.show()
In[10]:
平均速度计算
#通过经纬度计算距离的函数，网上可以找到。
def haversine(lon1, lat1, lon2, lat2): # 经度1，纬度1，经度2，纬度2 （十进制度数）
from math import radians, cos, sin, asin, sqrt
“”"
Calculate the great circle distance between two points
on the earth (specified in decimal degrees)
“”"
# 将十进制度数转化为弧度,将角度转化为弧度
lon1= map(radians, np.array(lon1))
lat1= map(radians, np.array(lat1))
lon2= map(radians, np.array(lon2))
lat2= map(radians, np.array(lat2))
lon1 = np.array(list(lon1)).reshape(-1,1)
lon2 = np.array(list(lon2)).reshape(-1,1)
lat1 = np.array(list(lat1)).reshape(-1,1)
lat2 = np.array(list(lat2)).reshape(-1,1)
# haversine公式
dlon = lon2 - lon1
dlat = lat2 - lat1
a = (np.sin(dlat/2) ** 2) + np.cos(lat1) * np.cos(lat2) * (np.sin(dlon / 2)**2)
c = 2 * np.arcsin(np.sqrt(a))
r = 6371 # 地球平均半径，单位为公里
return c * r * 1000
start_lon = bike_df[‘start station longitude’]
start_lat = bike_df[‘start station latitude’]
end_lon = bike_df[‘end station longitude’]
end_lat = bike_df[‘end station latitude’]
bike_df[‘meter’]=haversine(start_lon, start_lat, end_lon, end_lat)
bike_df[“duration_hour”] = bike_df[“tripduration”] / 3600.0 # 转换为小时数
bike_df[“speed”] = bike_df[“meter”]/ 1000.0 / bike_df[“duration_hour”]
total_km = bike_df[“meter”].sum() / 1000.0
total_hour = bike_df[“tripduration”].sum() / 3600.0
speed = total_km / total_hour
print(’%.2f’ % speed)
python matplotlib,plt.pie,plt.bar(bike数据的分析)相关推荐
- 绘制渐变色扇形图 -基于python - matplotlib 颜色地图plt.cm模块儿
绘制渐变色扇形图 -基于python - matplotlib 颜色地图cm模块儿 ʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔ ...
- Python Matplotlib绘制多子图准备训练数据和GIF动画实践
我们程序员.设计人员,按需求辛辛苦苦开发出来的统计图形,往往达不到用户的要求,原因一般是表达不全面,也有内容过多而比较乱,真是众口难调. 其实,是我们表达方式与业务人员工作脱节.业务人员看了一张图或及 ...
- python爬虫28 | 你爬下的数据不分析一波可就亏了啊，使用python进行数据可视化...
通过这段时间 小帅b教你从抓包开始 到数据爬取 到数据解析 再到数据存储 相信你已经能抓取大部分你想爬取的网站数据了 恭喜恭喜 但是 数据抓取下来 要好好分析一波 最好的方式就是把数据进行可视化 这样 ...
- Python可视化利器 — pyecharts 结合爬虫对数据进行分析生成各种可视化图形
用 pyecharts 对爬虫后的数据进行可视化处理(生成饼图.柱状图.地理位置图.3D旋转动图.词云图)及地图问题的解决 首先,pyecharts 是一款融合了Python和echarts技术的强大 ...
- Python数据分析实战,，美国总统大选数据可视化分析[基于pandas]
目录 前言 一.任务详情 二.数据集来源 三.实现过程 四.运行代码 前言 在学习Python数据分析的过程中,是离不开实战的. 今天跟大家带来数据分析可视化经典项目,美国总统大选数据可视化分析,希望 ...
- 基于python文本挖掘的电商产品评论数据情感分析报告
背景 近年来,随着互联网的广泛应用和电子商务的迅速发展,网络文本及用户评论分析意义日益凸显,因此网络文本挖掘及网络文本情感分析技术应运而生,通过对文本或者用户评论的情感分析,企业能够进行更有效的管理等 ...
- python matplotlib绘制等高线,plt.contour(),ax3.contour()和plt.contourf(),ax3.contour(), 同名函数
引用文章 https://blog.csdn.net/lanchunhui/article/details/70495353 首先这是由不同对象调用的函数,ax3指3D Figure对象即<cl ...
- Python matplotlib 线图(plt.plot())
http://matplotlib.org/api/lines_api.html#matplotlib.lines.Line2D 线图 生成线图对象Line2D Bases: matplotlib.a ...
- python matplotlib绘制箭头 plt.annotate
plt.annotate用法和ax.annotate一样,参照:Matplotlib中annotate详解 plt.plot([0,40], [0,40]) plt.annotate('aaaaaaa ...
最新文章
- error40无法打开到sql_SQL入门学习，初步认识ADO
- U.S.News最新美国大学排名：普林斯顿蝉联总榜第一，MIT领跑计算机，弗罗里达成新贵...
- 1002：输出第二个整数
- 关于数据可视化的方法和工具介绍
- STRUTS2 标签调用静态方法
- 想被千年后的人知道吗，快去GitHub上传代码吧！
- vv7无法启动显示发动机故障_发动机电控系统常见故障（发动机不能启动）的解决方法...
- Spring安全权限管理（Spring Security的配置使用）
- 共模电感适用的频率_电感基础知识入门
- matlab箭头梯度方向场,局部路径规划算法——人工势场法
- Google Play镜像站
- 龙之谷linux一键端1网段手机可玩,龙之谷手游一键端怎么用
- 移动开发平台WorkPlus | 快速实现企业移动应用集成化
- STM32小项目之ds18b20测温在oled上显示
- 从0开始搭建一个疫情地图小程序——小程序篇
- ESP8266 SmartConfig一键配网
- 2012 nba playoff 观感
- win10 系统下安装ubuntu实现双系统爬坑记录
- 关闭游戏功能界面，导致游戏闪退
- 象棋联机java代码_中国象棋源代码Java程序