全ython数据分析单车租赁数据分析租赁情况.docx

全ython数据分析单车租赁数据分析租赁情况.docx

《全ython数据分析单车租赁数据分析租赁情况.docx》由会员分享，可在线阅读，更多相关《全ython数据分析单车租赁数据分析租赁情况.docx（9页珍藏版）》请在冰点文库上搜索。

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、是否为工作日、天气数字越大，天气越差、tempatemp气温、湿度、风速、普通用户、注册用户、租赁自行车数量。

import numpy as npimport pandas as pdimport matplotlib.pyplot as plt

%matplotlibinline

bike = pd.read_csv（open（r'D:

\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。

bike['datetime'] = pd.to_datetime（bike['datetime']）

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（lambda x:

 x.year）.mean（） # 降采样年份数据

y_bike['count']

y_bike['count'].plot（kind='bar'）#绘制柱状图

2012年的租赁数据多于2011年数据。

m_bike=bike.resample（'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_bike['2011']['count'].plot（ax=axes[0],sharex=True）  #贡献X轴

m_bike['2012']['count'].plot（ax=axes[1]）

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。

bike['day'] = bike.index.day

bike['hour']=bike.index.hour#单独存储日和时的数据

bike.head（）

d_bike=bike.groupby（'day'）['count'].mean（）#对day字段分组统计

d_bike

d_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_bike

h_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。