1. 共享单车数据可视化分析(Python/Seaborn)
项目数据来源于kaggle项目 Bike Share Demand ,使用Python对数据进行了可视化分析:
1. 提出问题 影响共享单车租用数量的因素有哪些?影响程度如何?
2. 理解数据
变量说明:
3.数据清洗
1)数据预处理:数据完整无缺失值 2)特征工程:从datetime中提取年、月、日、时、星期等时间信息
4. 可视化分析
1)单车使用量在天气维度上的分析(天气、温度、湿度和风速相关性)
可以看到,整体租车量受天气影响较为明显,极端的天气租车数量减少。 4级天气看起来有些异常,于是统计数据条目:
可以看到,4级天气只有1条数据记录,这种极端天气情况出现的数据极少。
温度和使用量有正相关关系,湿度与使用量有负相关关系,风速和使用量几乎不相关。
由图像可看出,使用量与温度、湿度和风速的关系,相关性有限。
2)单车使用量在时间维度上的分析(月份、季节、时间、星期等相关性)
总量来看,节假日和周末/工作日的租车数量基本相同。
图1可以看出2012年共享单车的使用量高于2011年,消费人群增加了1.5~2倍。两年内租车量随月份变化的趋势相同,6、7、8月有明显的高需求。
图2可以看出租车时间高峰为上午7-8点,下午5-6点,符合上下班通勤的时间范围。季节上看,春天的租车辆明显少于其它三个季节。
图3可以看出工作日租车辆主要为上下班时间,周末租车辆主要集中在10am-4pm之间。
3)单车使用量与注册用户/非注册用户的相关性
注册人数使用量明显高于非注册人数, 非会员casual主要是周末出行,为了游玩; 会员registered主要是为了周一到周五上班。
5. 总结