全ython数据分析单车租赁数据分析租赁情况.docx

1、全ython数据分析单车租赁数据分析租赁情况ython数据分析，单车租赁数据分析，租赁情况本节选取自行车的租赁数据，利用numpy、pandas、matplotlib三个库，数据清洗后，做数据分析，研究时间段与自行车租赁的关系。数据来源本节以自行车的租赁数据为例，数据来源于网络，利用时间序列分析的方法，通过可视化技术，分析自行车租赁随时间及天气变化的分布情况，其中datetime、season、holiday、workingday、weather、temp、atemp 、humidity、windspeed、casual 、registered、count字段分别代表租赁时间、季节、是否为假期

2、、是否为工作日、天气数字越大，天气越差、temp atemp气温、湿度、风速、普通用户、注册用户、租赁自行车数量。importnumpyasnpimportpandasaspdimportmatplotlib.pyplotasplt%matplotlib inlinebike=pd.read_csv(open(rD:python数据分析数据bike.csv)bike.head()问题探索研究时间段与自行车租赁的关系情况。数据清洗bike.isnull().sum()查看缺失值，无缺失值。bike.dtypes查看数据类型，datetime字段不是时间数据类型。bikedatetime=pd.t

3、o_datetime(bikedatetime)bike.dtypes将to_datetime函数转换为datetime类数据。bike=bike.set_index(datetime)#将datetime字段设置为DataFrame的索引，成为时间序列数据bike.head()bike.index #索引bike.tail()数据探索y_bike=bike.groupby(lambdax:x.year).mean()#降采样年份数据y_bikecounty_bikecount.plot(kind=bar) # 绘制柱状图2012年的租赁数据多于2011年数据。m_bike = bike.re

4、sample(M, kind=period).mean() # 重采样到月份，类型为时期类型m_bike.head()fig,axes=plt.subplots(2,1)#两行一列m_bike2011count.plot(ax=axes0,sharex=True)#贡献X轴m_bike2012count.plot(ax=axes1)2011年和2012年的趋势大致相同，前几个月逐渐增加，到5、6月份到达峰值，再到9月份后逐渐减少。bikeday=bike.index.daybikehour = bike.index.hour # 单独存储日和时的数据bike.head()d_bike = bi

5、ke.groupby(day)count.mean() #对day字段分组统计d_biked_bike.plot() # 自行车每日租赁数分布h_bike = bike.groupby(hour)count.mean() #对hour字段分组统计h_bikeh_bike.plot() # 自行车每小时租赁数分布图中有明显的两个峰值，都是上下班时间段，并且晚上的峰值更高。work_bike = bike.groupby(workingday)count.mean()work_bike #对workingday字段分组统计work_bike.plot(kind=bar)天气越差，自行车租赁数越少。weather_bike = bike.groupby(weather)count.mean()weather_bike #对weather字段分组统计weather_bike.plot(kind=bar)天气越差，自行车租赁数越少，但在极端天气情况下却略有上升。