• 随着温度的升高 ， 租赁数量呈上升趋势；
• 在温度达到35度时 ， 因天气炎热 ， 总体数量开始下降；
• 在温度在4度时 ， 租赁数达到最低点；

湿度对租赁数量的影响

• 第一步

提出问题：租赁总量对应湿度的变化趋势
适合图形：因为湿度属于连续性数值变量 ， 我们可以选择折线图反应变化趋势

• 第二步

转换数据：我们需要一个二维数据框 ， 按照温度变化排序 ， 取对应的三个租赁数的平均值
应用函数：直接应用plt的plot函数即可完成折线图

• 第三步

参数设置：只需要设置折线图的标题 ， 其他参数默认
humidity_df = Bikedata.groupby(['humidity'],as_index=True).agg({'count':'mean','registered':'mean','casual':'mean'})humidity_df.plot(title='Average number of rentals initiated per hour in different humidity')
文章插图
可以观察到在湿度20左右租赁数量迅速达到高峰值 ， 此后缓慢递减 。
年份 ， 月份和季节作图方法类似 ， 都采用折线图绘制 ， 这里省略 。
查看不同天气对出行情况的影响

• 第一步

提出问题：租赁总量对应湿度的变化趋势
适合图形：因为天气情况属于数值型分类变量 ， 我们可以选择柱形图观察数量分布

• 第二步

转换数据：我们需要一个二维数据框 ， 按照天气情况对租赁数量取平均值
应用函数：应用plt的plot.bar函数绘制组合柱形图

• 第三步

参数设置：只需要设置折线图的标题 ， 其他参数默认
weather_df = Bikedata.groupby(['weather'],as_index=True).agg({'registered':'mean','casual':'mean'})weather_df.plot.bar(stacked=True,title='Average number of rentals initiated per hour in different weather')
文章插图
观察到天气等级为4时 ， 平均出行人数比天气等级为2时还要高 ， 这不符合常理
我们查看一下天气等级为4的详细情况
count_weather = Bikedata.groupby('weather')count_weather[['casual','registered','count']].count()
文章插图
天气状况为4级的只有一天 ， 我们把数据打印出来查看一下
Bikedata[Bikedata['weather']==4]
文章插图
时间为工作日的下午六点钟 ， 属于晚高峰异常数据 ， 不具有代表性 。
会员用户和临时用户在整体用户中占比

• 第一步

提出问题：查看会员用户和临时用户在整体用户中的比例
适合图形：查看占比 ， 适合用饼图pie

• 第二步

转换数据：需要一个二维数据框 ， 按天数取两种用户的平均值
应用函数：应用plt的plot.pie函数绘制饼图

• 第三步

参数设置：这是数据标签和类别标签
#考虑到相同日期是否工作日 ， 星期几 ， 以及所属年份等信息是一样的 ， 把租赁数据按天求和 ， 其它日期类数据取平均值day_df = Bikedata.groupby(['date'], as_index=False).agg({'casual':'sum','registered':'sum','count':'sum', 'workingday':'mean','weekday':'mean','holiday':'mean','year':'mean'})day_df.head()

• 上一页
• 1
• 2
• 3
• 4
• 下一页

• 想自学Python来开发爬虫，需要按照哪几个阶段制定学习计划
• 未来想进入AI领域，该学习Python还是Java大数据开发
• 黑客窃取250万个人数据 意大利运营商提醒用户尽快更换SIM卡
• 阳狮报告：4成受访者认为自己的数据比免费服务更有价值
• 中消协点名大数据网络杀熟 反对利用消费者个人数据画像
• 学习大数据是否需要学习JavaEE
• 意大利运营商Ho Mobile被曝数据泄露
• 微软官方数据恢复工具即将更新：更易于上手 优化恢复性能
• HDMI 2.1诞生三年：超高速数据线落地 8K电视圆满了
• Mozilla将默认禁用Firefox中的退格键以防止用户编辑数据丢失