Python数据分析：数据可视化实战教程( 二 ) 本文的文字及图片来源于网络

Python数据分析：数据可视化实战教程文章插图

第三步：设置参数

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])

可以看出：

在工作日，会员出行对应两个很明显的早晚高峰期，并且在中午会有一个小的高峰，可能对应中午外出就餐需求；
工作日非会员用户出行高峰大概在下午三点；
工作日会员出行次数远多于非会员用户；
在周末，总体出行趋势一致，大部分用车发生在11-5点这段时间，早上五点为用车之最。

对温度进行分析

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

第三步

参数设置：只需要设置折线图的标题，其他参数默认

temp_df = Bikedata.groupby(['temp'],as_index='True').agg({'count':'mean','registered':'mean','casual':'mean'})temp_df.plot(title = 'The average number of rentals initiated per hour changes with the temperature')

文章插图

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