分析自行车租赁随时间及天气变化的分布情况

import pandas as pd import numpy as np import matplotlib.pyplot as plt %matplotlib inline bike=pd.read_csv("/home/ysc/数据分析/data/第十讲/bike.csv",encoding='utf-8') bike

datetime租赁时间 season季节（1：春 2;夏。。）holiday假期：0非假期，1假期 workingday工作日：0工作日1非工作日 weather天气，数值越大天气越差 temp气温 atemp气温 humidity湿度 windspeed风速 casual普通用户 registered注册用户 count租赁自行车数量

时间段与租赁的关系

#数据清洗 bike.isnull().sum()

将datetime数据类型转换为datetime类型

bike['datetime']=pd.to_datetime(bike['datetime']) bike.dtypes

将datetime设置为DataFrame的索引,这样就成为了时间序列数据

# bike=bike.set_index('datetime') bike.head()

探索数据–降采样到年份数据

y_bike=bike.groupby(lambda x:x.year).mean() y_bike['count']

y_bike['count'].plot(kind='bar')

将数据重采样到月份

m_bike=bike.resample('M',kind='period').mean() fig,axes=plt.subplots(2,1) #两行一列 m_bike['2011']['count'].plot(ax=axes[0],sharex=True) #贡献x轴 m_bike['2012']['count'].plot(ax=axes[1])

分析每天和每小时的租赁数分布与天和时的关系–天和时单独存储

bike['day']=bike.index.day bike['hour']=bike.index.hour bike.head()

d_bike=bike.groupby('day')['count'].mean() d_bike

d_bike.plot()

h_bike=bike.groupby('hour')['count'].mean() h_bike.plot()

分析天气对租车的影响

weather_bike=bike.groupby('weather')['count'].mean() weather_bike.plot(kind='bar')