本文通过Python对kaggle上的共享单车数据进行分析，包括数据预处理、特征工程和可视化。发现天气对租车量有显著影响，极端天气租车数量减少；温度与使用量呈正相关，湿度负相关，风速影响较小。时间上，工作日早晚高峰和节假日的租车需求较大，而冬季和深夜需求较低。注册用户主要在工作日通勤，非注册用户在周末活跃。
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：
共享单车项目分析_页面_01.jpg
共享单车项目分析_页面_02.jpg
共享单车项目分析_页面_03.jpg
共享单车项目分析_页面_04.jpg
共享单车项目分析_页面_05.jpg
共享单车项目分析_页面_06.jpg
共享单车项目分析_页面_07.jpg
共享单车项目分析_页面_08.jpg
共享单车项目分析_页面_09.jpg
共享单车项目分析_页面_10.jpg
分析过程代码如下：
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
import numpy as np
import pandas as pd
bike_train = pd.read_csv(".../train.csv")
bike_train.head()
datetime
season
holiday
workingday
weather
temp
atemp
humidity
windspeed
casual
registered
count
0
2011/1/1 0:00
1
0
0
1
9.84
14.395
81
0
3
13
16
1
2011/1/1 1:00
1
0
0
1
9.02
13.635
80
0
8
32
40
2
2011/1/1 2:00
1
0
0
1
9.02
13.635
80
0
5
27
32
3
2011/1/1 3:00
1
0
0
1
9.84
14.395
75
0
3
10
13
4
2011/1/1 4:00
1
0
0
1
9.84
14.395
75
0
0
1
1
bike_train.info()
RangeIndex: 10886 entries, 0 to 10885
Data columns (total 12 columns):
最低0.47元/天 解锁文章
扫一扫
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
