共享单车项目分析

共享单车项目分析

分析背景与目的：

• 经过多年的发展，共享单车越来越受到了人们的追捧，成为了大多数人外出必不可少的出行工具，
  城市街道上随处可见的共享单车成为了一个 城市快速发展中的一道靓丽的风景线；
• 在共享单车快速发展的的同时，接踵而至的是竞争地不断加剧、租赁数量增长缓慢等问题；
• 期望通过对本次共享单车的租赁数据进行诊断分析，以及剖析已发现的问题，为以后的产品维护、运营工作提供参考与指导。

分析思路

接下来是具体的分析操作：

数据下载自Kaggle

数据源

数据分析方面可用Excel或者python来分析，为了便于演示，加上后面需要预测租赁额，需要构造随机森林模型来进行预测，所以就在python的jupyter notebook环境下进行操作：

导入相关模块和数据：

import numpy as np
import pandas as pd
from datetime import datetime
import warnings
import matplotlib.pyplot as plt
%matplotlib inline
warnings.filterwarnings('ignore')
import seaborn as sns
sns.set(style='whitegrid', palette='tab10')

path = 'C:\\Users\\Master\\Desktop\\bike-sharing-demand\\'
train=pd.read_csv(path + 'train.csv')

查看训练数据是否有缺失值：

train.info()

输出：

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 10886 entries, 0 to 10885
Data columns (total 12 columns):
datetime      10886 non-null object
season        10886 non-null int64
holiday       10886 non-null int64
workingday    10886 non-null int64
weather       10886 non-null int64
temp          10886 non-null float64
atemp         10886 non-null float64
humidity      10886 non-null int64
windspeed     10886 non-null float64
casual        10886 non-null int64
registered    10886 non-null int64
count         10886 non-null int64
dtypes: float64(3), int64(8), object(1)
memory usage: 1020.6+ KB

可一看到训练数据共有10886行，并无缺失值
接下来导入导入测试数据：

test=pd.read_csv('test.csv')
test.info()

输出：

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 6493 entries, 0 to 6492
Data columns (total 9 columns):
datetime      6493 non-null object
season        6493 non-null int64
holiday       6493 non-null int64
workingday    6493 non-null int64
weather       6493 non-null int64
temp          6493 non-null float64
atemp         6493 non-null float64
humidity      6493 non-null int64
windspeed     6493 non-null float64
dtypes: float64(3), int64(5), object(1)
memory usage: 456.6+ KB

本数据集没有缺失数据，但没有缺失不代表没有异常。
检查异常值：

#查看数据有误异常值
train.describe()

输出：

从数值型数据入手，想要知道租赁额（count）数据差异多大，可以观察一下它的密度分布情况：

#观察租赁额密度分布情况
fig = plt.figure()
ax = fig.add_subplot(1,1,1)
fig.set_size_inches(6,5)

sns.distplot(train['count'])
ax.set(xlabel='count', title='Distribution of count');

输出：

可以发现数据密度分布 的偏斜比较严重，且有一个很长的尾巴，为了后面的预测分析准确率高，需要尽可能的让数据符合正太分布，所以希望将这一列的数据的长尾巴处理掉，可以排除掉距离均值3个标准差以为的数据

train_withountOutliers = train[np.abs(train['count']-train['count'].mean())<=(3*train['count'].std())]
train_withountOutliers.shape

输出：
(10739, 12)
再来查看一下它的密度分布，同时可以和原始数据对比一下：

fig = plt.figure()
ax1 = fig.add_subplot(1,2,1)
ax2 = fig.add_subplot(1,2,2)

sns.distplot(train['count'], ax=ax1)
sns.distplot(train_withountOutliers['count'], ax=ax2)

ax1.set(xlabel='count', title='Distribution of count')
ax2.set(xlabel='count', title='Distribution of count without outliers')

输出：

可以看到波动性依旧很大，为了在训练数据的时候避免容易产生过拟合，我们希望波动性能稳定点，所以这里可以采用对数转换：

yLabels = train_withountOutliers['count']
yLabels_log = np.log(yLabels)
sns.distplot(yLabels_log)

输出：

可以看到数据分布均匀了很多，大小差异也缩小了，利用这样的数据标签对模型的训练是有益的

接下来就是对其它的数据进行处理了，在这里可以把测试数据合并起来一起处理：

Bike_data = pd.concat([train_withountOutliers,test],ignore_index=True)