1、数据分析--共享单车使用量预测

数据字段分析

列名	desc	中文描述
datetime	hourly date + timestamp	小时日期 和时间戳
season	1 = spring, 2 = summer, 3 = fall, 4 = winter	1：春天 2：夏天 3：秋天 4：冬天
holiday	whether the day is considered a holiday	当天是否是节假日
workingday	whether the day is neither a weekend nor holiday	当天是否是工作日
weather	1: Clear, Few clouds, Partly cloudy, Partly cloudy 2: Mist + Cloudy, Mist + Broken clouds, Mist + Few clouds, Mist 3: Light Snow, Light Rain + Thunderstorm + Scattered clouds, Light Rain + Scattered clouds 4: Heavy Rain + Ice Pallets + Thunderstorm + Mist, Snow + Fog	1：晴，少云，部分多云，部分多云。 2：薄雾+多云，薄雾+破碎的云，薄雾+少量的云， 雾 3：小雪，小雨+雷雨+散云，小雨+散云 4：大雨+冰盘+雷雨+雾，雪+雾
temp	temperature in Celsius	温度
atemp	“feels like” temperature in Celsius	感受到的温度
humidity	relative humidity	湿度
windspeed	wind speed	风速
casual	number of non-registered user rentals initiated	未注册用户的租赁数量
registered	number of registered user rentals initiated	注册用户的租赁数量
count	number of total rentals	总的租赁数量

season是一种离散型数据，可以进行独热编码处理

holiday 和workingday是二分类问题

箱形图(Box-plot)

又称为盒须图、盒式图或箱线图，是一种用作显示一组数据分散情况资料的统计 图。因形状如箱子而得名。在各种领域也经常被使用，常见于品质管理。它主要用于反映原始数据 分布的特征，还可以进行多组数据分布特征的比 较。箱线图的绘制方法是:先找出一组数据的最大 值、最小值、中位数和两个四分位数（比如在0到100%中分成四份，25%就是下四分位数，75%就是上四分位数);然后， 连接两个四分位数画出箱子;再将最大值和最小值与箱 子相连接，中位数在箱子中间。（箱外的点越少效果越好）

共享单车租赁量预测

这是一个关于自行车租赁预测的题目，相当于国内的ofo，摩拜单车 通过对数据的预测，可以观测到共享单车在某个时间段的租赁数量，如果预测值和实际租赁值存在很大差异，就应该去调查情况，从而保证共享单车的正常运营
适用场景：
回归场景，需要对数据进行分析处理

import pandas as pd;
import numpy as np
import pylab
import calendar
import numpy as np
import pandas as pd
import seaborn as sn # matplotlib更高级封装的库
from scipy import stats
import missingno as msno #缺失值可视化处理
from datetime import datetime
import matplotlib.pyplot as plt
import warnings
from sklearn.model_selection import GridSearchCV
pd.options.mode.chained_assignment = None # 避免pandas报错
warnings.filterwarnings("ignore") # 忽略警告
%matplotlib inline

一、检视数据信息

1.帮助我们查看字段的特征和字段的名称
2.查看是否存在所谓的缺失值（任何数据操作前都要先查看缺失值）
3.数据的分布状态

1和2步骤用info函数操作，3步骤用descivbe函数操作

本应用train和test两个数据集，因为kaggle上test数据上需要上网验证效果，所以在这里只使用train进行处理，所有数据都是每个月的前20天的信息

df=pd.read_csv("./input_data/train.csv")

查看样本的所有数据，能够查看数据字段进行分析
第一点，需要对datetime进行处理，
第二点， casual + register = count

df.head()

可以通过info方法，查看数据类型，是否有缺失值等信息
可以看出，用车量是casual 和registered 的总和（这样就可以把count保留，去除casual 和registered ）

df.info()# information

RangeIndex: 10886 entries（样本数）

主要查看数据分布状态，可以更好的对数据进行分析

df.describe()

在进行数据分析之前，对数据进行切分，只查看训练集进行数据分析

from sklearn.model_selection import train_test_split
train_df, test_df = train_test_split(df)#将数据集进行切分，训练集和测试集比例为7.5:2.5

查看训练集信息

train_df.info() # 查看数据量

二、数据处理

为了能够统一设置数据集，将训练集和测试集设置名称，将进行拼接成整体
all_df统一设置， 后续做预处理时，需要对训练集和测试集统一处理
因为我们真实状态下观察样本信息时，只能通过训练集观察，如果观察测试集数据，现实工程中不可行，而且会影响模型预测精度（所有的分析都是针对训练集的）

test_df["traintest"]='test';
train_df["traintest"]='train';

all_df=pd.concat((train_df,test_df))

datetime字段比较复杂，将它进行切分处理
date 为日期
month 为英文
monthnum 为中文
lambda表达式，是一种匿名函数，参数： 方法体

all_df["date"] = all_df.datetime.apply（和map一样可以对函数的数值进行调整）(lambda x : x.split()（括号里没字符可以是把空格当作分割线）[0]（0在这是提取了日期，后面的空格把时间分成第二个索引了）)
all_df["month"] = all_df.date.apply(
    lambda dateString : 
    calendar（生成日期维度）.month_name[da