根据摩拜提供的骑行，对其进行初步分析。
训练集取北京某一区域的一段时间内的部分数据，测试集为同一区域未来一段时间的数据。
标注数据中包含300万条出行记录数据，覆盖超过30万用户和40万摩拜单车。数据包括骑行起始时间和地点、车辆ID、车辆类型和用户ID等信息。
首先导入数据分析包
import pandas as pd
import seaborn as sns
import geohash
import matplotlib.pyplot as plt
from math import radians, cos, sin, asin, sqrt
%matplotlib inline
train = pd.read_csv("train.csv",sep = ',',parse_dates=['starttime'])
test = pd.read_csv("test.csv",sep = ',',parse_dates=['starttime'])
查到数据
train.head()
image.png
print(train.shape)
print(test.shape)
image.png
train=train.sample(frac=0.3) #抽样30%
GEOHASH分析
- GeoHash将二维的经纬度转换成字符串，比如下图展示了北京9个区域的GeoHash字符串，分别是WX4ER，WX4G2、WX4G3等等，每一个字符串代表了某一矩形区域。也就是说，这个矩形区域内所有的点（经纬度坐标）都共享相同的GeoHash字符串，这样既可以保护隐私（只表示大概区域位置而不是具体的点），又比较容易做缓存，比如左上角这个区域内的用户不断发送位置信息请求餐馆数据，由于这些用户的GeoHash字符串都是WX4ER，所以可以把WX4ER当作key，把该区域的餐馆信息当作value来进行缓存，而如果不使用GeoHash的话，由于区域内的用户传来的经纬度是各不相同的，很难做缓存。
- 字符串越长，表示的范围越精确。如图所示，5位的编码能表示10平方千米范围的矩形区域，而6位编码能表示更精细的区域（约0.34平方千米）
-
字符串相似的表示距离相近，这样可以利用字符串的前缀匹配来查询附近的POI信息
image.png
geo编码长度误差
image.png
对geohash的信息解码
def processData(df):
#time
df['weekday']=df['starttime'].apply(lambda s:s.weekday())
df['hour']=df['starttime'].apply(lambda s:s.hour)
df['day']=df['starttime'].apply(lambda s:str(s)[:10])
print('time process succuessfully')
#Geohash
df['start_lat_lng']=df['geohashed_start_loc'].apply(lambda s:geohash.decode(s))
df['end_lat_lng']=df['geohashed_end_loc'].apply(lambda s:geohash.decode(s))
df['start_neighbors']=df['geohashed_start_loc'].apply(lambda s:geohash.neighbors(s))
df['geohashed_start_loc_6'] = df['geohashed_start_loc'].apply(lambda s : s[:6])
df['geohashed_end_loc_6'] = df['geohashed_end_loc'].apply(lambda s : s[:6])
df['start_neighbors_6'] = df['geohashed_start_loc_6'].apply(lambda s : geohash.neighbors(s))
df['geohashed_start_loc_5'] = df['geohashed_start_loc'].apply(lambda s : s[:5])
df['geohashed_end_loc_5'] = df['geohashed_end_loc'].apply(lambda s : s[:5])
df['start_neighbors_5'] = df['geohashed_start_loc_5'].apply(lambda s : geohash.neighbors(s))
print('geohash process successfully')
#判断目的地是否在neighbors
def inGeohash(start_geohash,end_geohash,names):
names.append(start_geohash)
if end_geohash in names:
return 1
else:
return 0
df['inside']=df.apply(lambda s:inGeohash(s['geohashed_start_loc'],s['geohashed_end_loc'],s['start_neighbors']),axis=1)
df['inside_6']=df.apply(lambda s:inGeohash(s['geohashed_start_loc_6'],s['geohashed_end_loc_6'],s['start_neighbors_6']),axis=1)
df['inside_5']=df.apply(lambda s:inGeohash(s['geohashed_start_loc_5'],s['geohashed_end_loc_5'],s['start_neighbors_5']),axis=1)
print('geo_inside process successfully')
#计算两个经纬度点之间的公式 start->end
def haversine(lon1,lat1,lon2,lat2):
lon1, lat1, lon2, lat2 = map(radians, [lon1, lat1, lon2, lat2])
#公式
dislon = lon2-lon1
dislat = lat2-lat1
a = sin(dislat/2)**2+cos(lat1)*cos(lat2)*sin(dislon/2)**2
c= 2*asin(sqrt(a))
r= 6371 #地球平均半径（公里）
return c*r*1000
df['start_end_distance'] = df.apply(lambda s: haversine(s['start_lat_lng'][1],s['start_lat_lng'][0],
s['end_lat_lng'][1],s['end_lat_lng'][0]),axis=1)
print('distance process successfully')
return df
train =processData(train)
查看完成后的数据
image.png
image.png
根据时间段对数据进行分析
def timeanalysis(df):
#day
print("数据集包含的天数：")
print(df['day'].unique())
print("*"*60)
#周一至周日的用车分析
g1 = df.groupby('weekday')
print("周一至周日的用车数")
print(pd.DataFrame(g1['orderid'].count()))
print("*"*60)
#周一至周日不同时间的用车分析
df.loc[(df['weekday']==5)|(df['weekday']==6),'isweekend']=1
df.loc[~((df['weekday']==5)|(df['weekday']==6)),'isweekend']=0
g2 = df.groupby(['isweekend','hour'])
print("*"*60)
#计算工作日和周末的天数
g3 = df.groupby(['day','weekday'])
w = 0 #周末天数
c = 0 #工作日天数
for i,j in list(g3.groups.keys()):
if j>=5:
w +=1
else:
c +=1
#print(w)
#print(c)
#
temp = pd.DataFrame(g2['orderid'].count()).reset_index()
temp.loc[temp['isweekend']==0.0,'orderid'] = temp['orderid']/c
temp.loc[temp['isweekend']==1.0,'orderid'] = temp['orderid']/w
#print(temp)
print("周末和工作日平均每日每小时用车数比较")
fig =plt.figure(figsize=(12,6))
sns.barplot(temp['hour'],temp['orderid'],hue=temp['isweekend'])
timeanalysis(train)
image.png
周末和工作日平均每日每小时用车数比较
image.png
数据可视化分析
# 出行距离的描述统计
train['start_end_distance'].describe()
image.png
sns.distplot(train['start_end_distance'])
image.png
去除极值的影响
start_end_distance = train['start_end_distance']
start_end_distance=start_end_distance.loc[start_end_distance<5000]
sns.distplot(start_end_distance)
image.png
#不同时间骑行的距离是否不一样
hour_group = train.groupby('hour')
hour_distance = hour_group['start_end_distance'].mean().reset_index()
sns.barplot(x='hour',y='start_end_distance',data=hour_distance)
image.png
不同时间段对骑行距离没有很大影响
# 不同小时的出行次数
hour_id_num = hour_group['orderid'].count().reset_index()
sns.barplot(x='hour',y='orderid',data=hour_id_num)
image.png
可以看到早高峰和晚高峰人数比较多
isw_hour_group =train.groupby(['isweekend','hour'])
isw_hour_id_num =isw_hour_group['orderid'].count().reset_index()
fig = plt.figure(figsize=(10,6))
sns.barplot(x='hour',y='orderid',hue='isweekend',data=isw_hour_id_num)
plt.title("周末和工作日每小时总用车数比较")
image.png
可以看到工作日有早高峰晚高峰，而周末整个白天订单的趋势都比较均衡
用户出发地与目的地分析
每天有多少用户/车辆从该点出发或者到达
def analysis_1(data,target):
g1 = data.groupby(['day',target])
group_data = g1.agg({'orderid':'count','userid':'nunique','bikeid':'nunique'}).reset_index()
for each in ['orderid','userid','bikeid']:
sns.distplot(group_data[each])
plt.show()
return group_data
group_data = analysis_1(train,'geohashed_start_loc')
image.png
group_data_6 = analysis_1(train,'geohashed_start_loc_6')
image.png
出发点-目的地组合分析
start_end = train.groupby(['day','geohashed_start_loc','geohashed_end_loc'])
#计算出发点到停车店的订单数，车辆数，用户数
start_end.agg({'orderid':'count','userid':'nunique','bikeid':'nunique',
'start_end_distance':'mean'}).reset_index().sort_values(by='orderid',ascending=False)
image.png
出发点和停车点不在一个区域的数量有
# 出发点在g5范围内不一致的数量
train.loc[train['geohashed_start_loc_5']!=train['geohashed_end_loc_5']].shape[0]
225562
# 出发点在g6范围内不一致的数量
train.loc[train['geohashed_start_loc_6']!=train['geohashed_end_loc_6']].shape[0]
772933
对于摩拜单车的是可视化分析先做到这里，主要做了：
- 区域geohash的解码，计算了经纬坐标的距离
- 不同时间段的骑行数据可视化展示，发现工作日和周末的骑行数据不同之处，而不同时间段对骑行距离是没有影响的
- 出发地的分析，总结出高频地点
- 出发地和目的地的组合分析，总结出高频路线
- 在不同的g6，g5, g4网格下，检查统计用户是否会骑出所在geohash网格
网友评论