SeoulBikeData.csv 数据分析作业

当前，在许多城市中引入了租赁自行车以增强移动舒适性。重要的是要在适当的时间向公众提供和出租自行车，因为这样可以减少等待时间。但是，为城市提供稳定的租赁自行车供应成为一个主要问题。关键部分是要预测稳定租用自行车每小时所需的自行车数量。利用以下数据对Rented Bike count指标进行线性回归。
数据集包含天气信息（温度，湿度，风速，能见度，露点，太阳辐射，降雪，降雨），每小时租用的自行车数量和日期信息。

要求：

1. 了解数据集基本信息，并进行一些基本的描述性分析；

data = read.csv("SeoulBikeData.csv")
str(data)

数据集中一共有5796个数据

library(tidyverse)
summary(data$Rented.Bike.Count)

每小时租用的自行车数平均数是705, 中位数是504，最大值是3556

number_data = data %>% select(where(is.numeric))

library(ggcorrplot)
number_data %>%
  cor() %>%
  round(2) %>%
  ggcorrplot(hc.order = TRUE,lab = TRUE)