背景介绍

随着我国的经济迅速发展，城市人口急剧增加，随之带来的是一系列的问题，交通拥堵，环境受到破坏，发展公共交通可以完美的解决现在我们面临的这些问题，自行车具有机动灵活、低碳环保的优点，如果自行车可以取代现在的机动车，那么道路就不会那么拥挤，人们的出行效率就会大大提升，汽车废气的排放量也将大大的减少，环境的质量也会提升。同时，为了完美的解决从地铁站到公司、从公交站到家的“最后一公里”路程，共享单车应运而生. 共享单车有效的解决了“走路累，公交挤，开车堵，打车贵”的苦恼。一夜之间，北上广深、甚至部分二线城市，共享单车大街小巷随处可见。继2016年9月26日ofo单车宣布获得滴滴快车数千万美元的战略投资，双方将在共享单车领域展开深度合作之后，摩拜单车也于2017年1月完成D轮2.15亿美元（约合人民币15亿元）的融资，国内共享单车更加火爆，最近一张手机截屏蹿红网络。在这张截图上，24个共享单车应用的图标霸满了整个手机屏幕，真的是“一图说明共享单车的激烈竞争”。而在街头，仿佛一夜之间，共享单车已经到了“泛滥”的地步，各大城市路边排满各种颜色的共享单车。共享经济的不断发展逐渐的改变着人们的日常生活，共享精神也逐渐深入人心。

数据来源

数据链接：https://pan.baidu.com/s/11Gpq2-0z_E0ilNTm7Wt7vw
提取码：1whs
复制这段内容后打开百度网盘手机App，操作更方便哦

import pandas as pd
import calendar
from datetime import datetime
import matplotlib.pyplot as plt
import seaborn as sn
import numpy as np
from pylab import mplmpl.rcParams['font.sans-serif'] = ['Simhei']def collect_and_process_data():bikedata = pd.read_csv("train.csv")# 数据提取# 提取年月日bikedata['date'] = bikedata.datetime.apply(lambda x: x.split()[0])# 提取小时bikedata['hour'] = bikedata.datetime.apply(lambda x: x.split()[1].split(":")[0])# 在年月日的基础上提取星期数（需要格式化日期）day_name 转化为英文名称bikedata['weekday'] = bikedata.date.apply(lambda dateString: calendar.day_name[datetime.strptime(dateString, '%Y/%m/%d').weekday()])# print(bikedata)# 在年月日的基础上提取月份  month_name 转化为英文名称bikedata["month"] = bikedata.date.apply(lambda dateString: calendar.month_name[datetime.strptime(dateString, '%Y/%m/%d').month])# 数据转化# 将season数字转化为英文季节值bikedata["season"] = bikedata.season.map({1: "Spring", 2: "Summer", 3: "Fall", 4: "Winter"})# print(bikedata)# 将以下变量转化为分类变量varlist = ['hour', 'weekday', 'month', 'season', 'holiday', 'workingday']for x in varlist:bikedata[x] = bikedata[x].astype('category')# print(bikedata.dtypes)# 删除无意义的变量bikedata.drop('datetime', axis=1, inplace=True)# print(bikedata)# 数据清洗# 查看是否缺失数据#print(bikedata.describe())# 查看是否有异常值fig, axes = plt.subplots(nrows=2, ncols=2)fig.set_size_inches(12,12)sn.boxplot(data=bikedata, y='count', orient='v', ax=axes[0][0])sn.boxplot(data=bikedata, y='count', x='season', orient='v', ax=axes[0][1])sn.boxplot(data=bikedata, y='count', x='hour', orient='v', ax=axes[1][0])sn.boxplot(data=bikedata, y='count', x='workingday', orient='v', ax=axes[1][1])#     # plt.show()axes[0][0].set(ylabel='骑行人数', title='骑行人数')axes[0][1].set(xlabel='季节', ylabel='骑行人数', title='不同季节的骑行人数')axes[1][0].set(xlabel='时间', ylabel='骑行人数', title='一天内不同时间骑行人数')axes[1][1].set(xlabel='工作日', ylabel='骑行人数', title='工作日骑行人数')plt.savefig('Abnormal_value_analysis.png')# plt.show()# 剔除数据bikedata1 = bikedata[np.abs(bikedata["count"] - bikedata["count"].mean()) <= (3 * bikedata["count"].std())]# print("剔除前数据记录：", bikedata.shape, "\n剔除前数据记录：", bikedata1.shape)bikedata1.to_csv('processed_data.csv')return bikedata1def Data_Analysis_and_Visualization_month(bikedata):# 判断每个月份有几条记录，并按由大到小顺序排序monthAggregated = pd.bikedata(bikedata.groupby("month")["count"].mean()).reset_index()# print(monthAggregated)monthSorted = monthAggregated.sort_values(by="count", ascending=False)# print(monthSorted)fig, axes = plt.subplots()fig.set_size_inches(12, 20)sortOrder = ["January", "February", "March", "April", "May", "June", "July", "August", "September", "October","November", "December"]sn.barplot(data=monthSorted, x="month", y="count", order=sortOrder)axes.set(xlabel="月份", ylabel="平均骑行人数", title="不同月份的骑行人数")plt.savefig('result1.png')plt.show()def Data_Analysis_and_Visualization_hour(bikedata):# 一周内不同时间的骑行人数hourAggregated = pd.DataFrame(bikedata.groupby(["hour", "weekday"])["count"].mean()).reset_index()print(hourAggregated)fig1, ax1 = plt.subplots()fig1.set_size_inches(12, 20)hueOrder = ["Sunday", "Monday", "Tuesday", "Wednesday", "Thursday", "Friday", "Saturday"]sn.pointplot(x=hourAggregated["hour"], y=hourAggregated["count"], hue=hourAggregated["weekday"], hue_order=hueOrder,data=hourAggregated)ax1.set(xlabel="时间", ylabel="骑行人数", title="一周内不同时间的骑行人数")plt.savefig("result2.png")plt.show()# 主函数
def main():# 数据采集\查看和处理bikedata1 = collect_and_process_data()# 数据分析与可视化1Data_Analysis_and_Visualization_month(bikedata1)# 数据分析与可视化2Data_Analysis_and_Visualization_hour(bikedata1)if __name__ == '__main__':main()

可视化结果：

源码链接：https://pan.baidu.com/s/1du9KnHUTn6Z3N9-Jx-BelA
提取码：okek
复制这段内容后打开百度网盘手机App，操作更方便哦

Python数据分析项目-共享单车骑行数据分析相关推荐

Python数据分析实战项目-共享单车骑行数据分析
背景介绍随着我国的经济迅速发展,城市人口急剧增加,随之带来的是一系列的问题,交通拥堵,环境受到破坏,发展公共交通可以完美的解决现在我们面临的这些问题,自行车具有机动灵活.低碳环保的优点,如果自行车可 ...
基于数据挖掘的共享单车骑行数据分析与预测
温馨提示:文末有 CSDN 平台官方提供的博主 Wechat / QQ 名片 :) 1. 项目背景共享单车系统在大城市越来越流行,通过提供价格合理的自行车租赁,让人们可以享受在城市里骑自行车的乐趣, ...
共享单车骑行数据分析数据来源
背景介绍随着我国的经济迅速发展,城市人口急剧增加,随之带来的是一系列的问题,交通拥堵,环境受到破坏,发展公共交通可以完美的解决现在我们面临的这些问题,自行车具有机动灵活.低碳环保的优点,如果自行车可 ...
特征因子是什么意思_【空间分析】地理探测器应用-分异及因子探测、交互作用探测（共享单车骑行目的地时空特征与影响因素）...
广州市主城区共享单车骑行目的地时空特征与影响因素地理研究高枫刘小平等 2019 python是个好东西,爬虫也是个技术活. 以往研究不足: l 少有研究主要关注共享单车骑行的目的地时空分布及其影 ...
python共享单车数据分析_数据分析_共享单车骑行时间分析-zeropython
数据分析一共分为五个任务: 第一步:明确分析的任务分析出每个季度的骑行的平均时长和各个季度的对比第二步:数据处理先看数据: shell 查看csv 数据前十行 ➜ data cat bikesh ...
基于Android地图的共享单车骑行系统
app: 1.登陆注册功能 2.显示附近的共享单车租赁点 3.扫码或者输入编号开锁 4.车辆报修反馈 5.结束后点击结束骑行显示需要支付的金额 6.行程记录起始点终点以及金额的显示本单车 ...
拉钩作业：Bikeshare数据集预测共享单车骑行量
原始数据集地址: http://archive.ics.uci.edu/ml/datasets/Bike+Sharing+Dataset 文件说明 day.csv: 按天计的单车共享次数(作业只需使用 ...
单车骑行红叶谷70KM
8月份就制定好的单车骑行红叶谷计划终于实现了, 全程70km左右. 下面是旅行照片: 1.北胡吃早饭 2.讨论行进路线. 3.路边鱼塘 4.鱼塘 5.路边休息 6.恬静的小山村 7.村落 8.不知名的 ...
数据分析项目：CDNOW用户消费数据分析（基于MySQL实现）
CDNow网站销售数据分析项目背景分析目的及思路数据处理数据导入数据清洗 1.字段空格处理 2.数据类型转换 3.缺失数据处理 4.数据重复处理 5.数据0值数据分析产品销售分析产品价 ...

Python数据分析项目-共享单车骑行数据分析

背景介绍

数据来源

可视化结果：

Python数据分析项目-共享单车骑行数据分析相关推荐

最新文章

热门文章