中国统计网Python实战案例：我们对共享单车的需求有多大？( 二 )

本文插图

本文插图
可视化分析1. 日期和总租赁数量

本文插图
2012年相比2011年租赁数量有所增长, 且波动幅度相类似。

本文插图
【中国统计网Python实战案例：我们对共享单车的需求有多大？】
2. 月份和总租赁数量
与上图的波动幅度基本一致, 另外每个月均有不同程度的离群值。

本文插图
3. 季节和总租赁数量
就中位数来说, 秋季是最多的, 春季最少且离群值较多。
4. 星期几和租赁数量

本文插图
就中位数来说, 未注册用户周六和周日较多, 而注册用户则周内较多, 对应的总数也是周内较多, 且周内在总数的离群值较多(0代表周一, 6代表周日)

本文插图
5. 节假日, 工作日和总租赁数量

本文插图

未注册用户:在节假日较多, 在工作日较少
注册用户:在节假日较少, 在工作日较多

总的来说,节假日租赁较少, 工作日租赁较多,初步猜测多数未注册用户租赁自行车是用来非工作日出游, 而多数注册用户则是工作日用来上班或者上学。

本文插图
6. 小时和总租赁数量的关系

本文插图

在节假日, 未注册用户和注册用户走势相接近, 不过未注册用户最高峰在14点, 而注册用户则是17点
在工作日, 注册用户呈现出双峰走势, 在8点和17点均为用车高峰期, 而这正是上下班或者上下学高峰期
对于注册用户来说, 17点在节假日和工作日均为高峰期, 说明部分用户在节假日可能未必休假

本文插图
7. 天气和总租赁数量
就中位数而言未注册用户和注册用户均表现为: 在工作日和非工作日租赁数量均随着天气的恶劣而减少, 特别地, 当天气为大雨大雪天(4)且非工作日均没有自行车租赁。

本文插图
从图上可以看出, 大雨大雪天只有一个数据, 我们看看原数据。
df[df.weather==4]只有在2012年1月9日18时为大雨大雪天, 说明天气是突然变化的, 部分用户可能因为没有看天气预报而租赁自行车, 当然也有其他原因。
另外, 发现1月份是春季, 看看它的季节划分规则。
sns.boxplot(x='season', y='month',data=http://news.hoteastday.com/a/df)123为春季, 456为夏季, 789为秋季...
季节的划分通常和纬度相关, 而这份数据是用来预测美国华盛顿的租赁数量, 且美国和我国的纬度基本一样, 故按照345春节, 678夏季..这个规则来重新划分。