基于Python预测出租车出行费用(Taxi trip fare prediction)

        本文将通过Python对Kaggle中的数据集进行分析。本文会包含所有代码，尽可能多的使用有关可视化的函数以及数据分析的模型。  

一、项目简介

1.1 数据集简介

数据集来源：本文基于Kaggle的数据集，链接：Taxi trip fare prediction | Kaggle

数据集内容：下图为原文中的介绍

中文说明：

trip_duration	行驶时间
distance_traveled	行驶距离
num_of_passengers	乘客数量
fare	行驶费用
tip	司机小费
miscellaneous_fees	额外费用
total_fare	费用总和
surge_applied	动态定价

1.2研究内容

        预测费用总和。在实际应用上，可以与打车平台合作，用户给定目的地、出发时间、乘客人数。通过知道行车距离、预计的行驶时间、乘客人数来预测行车费用返回给用户，用户可根据预测的行车费用来确定是否打车。

二、数据处理与可视化

2.1 数据预处理

2.1.1 导包

包含数据处理与可视化的所有包，其中可视化中文代码根据自己情况编写，这里是苹果系统

#导包
import pandas as pd
#可视化
import matplotlib.pyplot as plt
import seaborn as sns
#可视化中文
from matplotlib import font_manager
plt.rcParams['font.sans-serif']=['Heiti TC']

2.1.2 导入数据

登录上文中的网站下载原始数据集。

文件初始状态：

用过Pandas包的方法导入原文件

#导入原文件
data = pd.read_csv('train.csv')

2.1.3 数据清洗

使用Pandas中针对DateFrame中的分析函数

#数据集概括
data.info()

由输出结果，我们可以发现一共有209673行数据且没有空值

data.describe()

         为了后文更加清楚，我将列名转化为了中文，这里大家自由选择即可，如果没有转化下文中涉及到列名的记得自己变换

#列名转中文
names = ['行驶时间','行驶距离','乘客数量','行驶费用','司机小费','额外费用','费用总和','动态定价']
data.columns = names
data

 2.2 数据可视化

为了后文构建模型更加准确，这里我们先进行数据可视化观察数据的大致特征

我们先简单查看我们需要预测的费用总和的情况

#描述统计
data['费用总和'].describe()

  绘制费用总和的直方图查看分布情况，bins设置柱子（箱子）的数量

#费用总和
plt.hist(data['费用总和'],bins = 50)
plt.show()

 由于数据中存在远超均值的数据，导致X轴拉伸过长，无法精确观察数据

#划分
df = data[data['费用总和'] < 800]
df['费用总和'].describe()

这里我们用800划分，可以发现数量变为了209320个，少了300多个数据，对数据整体影响不大

plt.hist(df['费用总和'], bins=30)
plt.xlabel('费用总和')
plt.title('费用总和（小于800）')
plt.show()

这里我们可以发现费用总和集中在0-200之间

        按照相同的方法，可绘制其他变量的分布情况，有些变量存在极大的数值，例如上文中的费用总和，可进行筛选后绘图来绘制出更清楚的图。

三、模型构建

        通过查看数据集，我们可以发现费用总和等于行驶费用+司机小费+额外费用，因此我们的问题转换为预测行驶费用。此外，由于数据集数量过大（20w条），因此我这里只选择前2000条，大家可以根据自己情况进行选择，数据量越大后文模型计算时间越长。

data = data[0:2000]

3.1 模型构造准备

3.1.1 评估指标

        均方误差