本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理
以下文章来源于碧茂大数据， 作者碧茂大数据
文章插图
明确三个步骤：

• 确定问题 ， 选择图形
• 转换数据 ， 应用函数
• 参数设置 ， 一目了然

下面 ， 我们通过案例来进行演示：
%matplotlib inlineimport numpy as npimport pandas as pdimport matplotlib.pyplot as plt #导入pltimport seaborn as snsimport warningswarnings.filterwarnings('ignore')#忽略警告 加载数据
数据采用kaggle中的共享单车项目 ， 比赛提供了跨越两年的每小时共享单车租赁数据 ， 包含天气信息和日期信息 。
字段说明

• datetime（日期） - hourly date + timestamp
• season（季节） - 1 = spring, 2 = summer, 3 = fall, 4 = winter
• holiday（是否假日） - whether the day is considered a holiday
• workingday（是否工作日） - whether the day is neither a weekend nor holiday

• weather（天气等级）
• Clear, Few clouds, Partly cloudy 清澈 ， 少云 ， 多云 。
• Mist + Cloudy, Mist + Broken clouds, Mist + Few clouds, Mist 雾+阴天 ， 雾+碎云、雾+少云、雾
• Light Snow, Light Rain + Thunderstorm + Scattered clouds, Light Rain + Scattered clouds 小雪、小雨+雷暴+多云 ， 小雨+云
• Heavy Rain + Ice Pallets + Thunderstorm + Mist, Snow + Fog 暴雨+冰雹+雷暴+雾 ， 雪+雾
• temp（温度） - temperature in Celsius
• atemp（体感温度） - "feels like" temperature in Celsius
• humidity（相对湿度） - relative humidity

• windspeed（风速） - wind speed
• casual（临时租赁数量） - number of non-registered user rentals initiated
• registered（会员租赁数量） - number of registered user rentals initiated
• count（总租赁数量） - number of total rentals
• date(日期) - 由datetime拆分得到
• hour（小时）-由datetime拆分得到
• year（年份）-由datetime拆分得到
• month（月份）-由datetime拆分得到
• weeekday（周几）-由datetime拆分得到
• windspeed_rfr（经过随机森林树填充0值得到的风速）

文章插图
#读取数据#Bikedata = http://kandian.youth.cn/index/pd.read_csv('./Bike.csv')Bikedata.head()
文章插图
#查看描述统计Bikedata.describe()
文章插图
#接下来 ， 我们通过相关系数的大小来依次对特征进行可视化分析#首先 ， 列出相关系数矩阵：df.corr()corrdf = Bikedata.corr()corrdf
文章插图
大致可以看出：会员在工作日出行较多 ， 节假日次数减少 ， 而临时用户相反 ， 第一季度出行人数总体偏低 ， 出行人数受天气影响较大 ， 会员在每天早晚有两个高峰期 ， 对应上下班时间；非会员在下午出行较密集 风速对出行人数有较大的影响 相对湿度 ， 温度和体感温度对非会员出行影响较大 ， 对会员出行影响较小 。
#接下来 ， 我们通过相关系数的大小来依次对特征进行可视化分析#首先 ， 列出相关系数矩阵：df.corr()corrdf = Bikedata.corr()corrdf
文章插图
#各特征按照与租赁总量count的相关系数大小进行排序corrdf['count'].sort_values(ascending=False)count1.000000registered 0.966209casual 0.704764hour 0.405437temp 0.385954atemp 0.381967year 0.234959month 0.164673season 0.159801windspeed_rfr 0.111783windspeed 0.106074weekday 0.022602holiday 0.002978workingday -0.020764weather -0.127519humidity -0.317028Name: count, dtype: float64可见 ， 特征对租赁总量的影响力为：
时段>温度>湿度>年份>月份>季节>天气>风速>工作日>节假日
对特征逐项分析
首先对时段进行分析

• 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
figure,axes = plt.subplots(1,2,sharey=True)#设置一个1*2的画布 ， 且共享y轴workingday_df.plot(figsize=(15,5),title='The average number of rentals initiated per hour in the working day',ax=axes[0])nworkingday_df.plot(figsize=(15,5),title='The average number of rentals initiated per hour in the nworking day',ax=axes[1])

• 上一页
• 1
• 2
• 3
• 下一页

• 查询|数据太多容易搞混？掌握这几个Excel小技巧，办公思路更清晰
• 黑莓(BB.US)盘前涨逾32%，将与亚马逊开发智能汽车数据平台|美股异动 | US
• 健身房|乐刻韩伟：产业互联网中只做单环节很难让数据发挥大作用
• V2X|V2X：确保未来道路交通数据交换的安全性
• 短视频平台|大数据佐证，抖音带动三千万就业，视频手机将成生产力工具？
• 权属|从数据悖论到权属确认，数据共享进路所在
• 统计|多久才能换一次手机？统计机构数据有点意外
• 发展|大数据解读世界互联网大会·互联网发展论坛！
• 网购|黑色星期五及网购星期一大数据出炉 全球第三方卖家销售额超48亿美元
• Veeam|Veeam让企业数据拥有“第二次生命”