美国纽约州Citi Bike数据分析（4）------相关性分析

在上一篇文章中，我们分析了用户的骑行时间，骑行时长，骑行速度，并得出了相关的结论。在数据分析中，最重要的事情之一就是进行相关性分析，我们都听说过啤酒与尿布的故事，这就是一个相关性分析的很好的例子。通过对事物的相关性分析，我们可以得出更加精准的预测，可以更加了解用户的行为，可以分析出用户的潜在需求并以此来优化服务。在本文中，我们将对骑行与气温，骑行速度与时间这两个条件进行相关性分析。

1.骑行与气温之间的相关性分析

在第一篇文章中，我们得出了这样一个结论：第一季度用户对Citi Bike的使用量最低，第三季度使用量最高。可以推测，骑行有明显的季节因素。下面我们导入纽约市2015年的气象数据，来看下天气因素与Citi Bike间是否存在关联，并试着用天气的变化来预测Citi Bike的使用量。

weather=pd.DataFrame(pd.read_csv('823248.csv'))#读取2015年纽约市的气象数据
group_weather_day=weather['TMAX'] #提取每日最高气温数据
cb_day=cb1.resample('D',how=len)#对2015年骑行时间按天汇总计算  
group_cb_day=cb1_day['bikeid']#提取每日骑行数量

#对每日最高气温和骑行量数据进行标准化处理
from sklearn import preprocessing
scaler = preprocessing.StandardScaler().fit(group_weather_day) X_Standard=scaler.transform(group_weather_day)
scaler = preprocessing.StandardScaler(