Bike Sharing 案例

通过对华盛顿的部分自行车租赁情况数据进行分析，对测试集的自行车租赁数目进行预测。

导入数据

train = read.csv("train.csv")
test = read.csv("test.csv")

str(train)
str(test)

分别对两组数据进行概览，可以发现数据集存在以下特征：
$ datetime  : 日期
 $ season    : 季节，1—4分别代表春夏秋冬
 $ holiday   : 是否是假期，0代表否，1代表是（注意，假期区别于周末，类似于节假日，如圣诞节）
 $ workingday: 是否是工作日，0代表否，1代表是
 $ weather   : 天气情况，可以理解为从1—4分别代表天气越来越恶劣的情况
 $ temp      : 温度
 $ atemp     : 体感温度
 $ humidity  : 湿度
 $ windspeed : 风速情况
 $ casual    : 非注册用户数
 $ registered: 注册用户数

 $ count     : 总用户数

其中test数据集缺少后三项，即需要预测的是非注册和注册用户总数。

数据预处理

对数据集中的时间进行处理，提取出新特征。此处用用lubridate包处理时间（很实用