摩拜單車資料探索

探索背景

摩拜單車舉行過一個演算法挑戰賽，給出了一個包含300多萬條在北京產生的訂單資料csv檔案（資料鏈接）

其資料形式如下：

資料後兩列分別是起始點與結束點的7位geohash值，即經過geohash編碼過的經緯度。其值位數越多越精確，每個值相同部分越多越鄰近，7位程式碼誤差大概為76m。

分析猜想

資料來自於共享單車，把共享單車這一功能性作為切入點，不妨大膽作以下猜想：

1。共享單車為解決人們“最後一公里”的需求應運而生，所以總體平均路程應該是在1公里左右；

2。如果用使用6位geohash切分，一個區域大概是0。34平方千米，誤差大概是610m，基於第1點，大部分訂單應該是從一個區域出發到鄰近的區域去；

6位geohash示意圖

3。從時間上看，訂單產生應該集中在工作日早晚上下班的時間段，在居住地和地鐵，公交站間來回。

資料處理

基於以上以上三點猜測，需要對資料進行相應處理：

#匯入關鍵的包

from math import radians， cos， sin， asin， sqrt

import pandas as pd

import seaborn as sns

import geohash

import matplotlib。pyplot as plt

%matplotlib inline

train = pd。read_csv（“train。csv”，sep = ‘，’，parse_dates=［‘starttime’］）

#資料處理函式

def _processData（df）：

# Time處理

#0～6分別代表星期日～星期六

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 successfully！！！”）

# 7位Geohash解碼——>（維度，經度）

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））

#擷取6位geohash

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））

print（“Geohash process successfully！！！”）

# 判斷目的地是否在neighbors

def inGeohash（start_geohash，end_geohash，names）：

names。append（start_geohash）

if end_geohash in names：

return 1

else：

return 0

df［‘inside_6’］ = df。apply（lambda s ：inGeohash（s［‘geohashed_start_loc_6’］，s［‘geohashed_end_loc_6’］，s［‘start_neighbors_6’］），axis = 1）

print（“Geohash inside process successfully！！！”）

# 起始點到結束點的直線

def haversine（lon1， lat1， lon2， lat2）：

“”“

Calculate the great circle distance between two points

on the earth （specified in decimal degrees）

”“”

lon1， lat1， lon2， lat2 = map（radians， ［lon1， lat1， lon2， lat2］）

# haversine公式

dlon = lon2 - lon1

dlat = lat2 - lat1

a = sin（dlat/2）**2 + cos（lat1） * cos（lat2） * sin（dlon/2）**2

c = 2 * asin（sqrt（a））

r = 6371 # 地球平均半徑，單位為公里

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）

一通操作下來，得到新的train應該是在原有的基礎上多瞭如下的項：

資料分析

先來看看騎行距離的五數概括:

可以看到平均里程是814米，與我們預想的比較接近。

至於這個最大值。。。

將近45公里，可能是被一個吃了炫邁的騎行愛好者翻牌了，也可能是裝置出現故障。

統計下有多少訂單在開始區域的九宮格範圍內

大概81。45%騎行到鄰區

然後看總體訂單量按時的分佈情況:

可以看出訂單量最密集的時間是在早7，8點和晚5，6點，基本符合我們的猜想。

再看看工作日與非工作日之間有哪些差別:

在此之前，需按照day列劃分工作日與非工作日，分別統計兩者每小時的訂單量平均值，為此需定義一個函式：

def

_timeAnalysis

（

df

）：

# 週一 至 週日 不同時間的用車

df

。

loc

［（

df

［

‘weekday’

］

==

5

）

|

（

df

［

‘weekday’

］

==

6

），

“isWeekend”

］

=

1

df

。

loc

［

~

（（

df

［

‘weekday’

］

==

5

）

|

（

df

［

‘weekday’

］

==

6

）），

“isWeekend”

］

=

0

g1

=

df

。

groupby

（［

“isWeekend”

，

‘hour’

］）

# 計算工作日與週末的天數

g2

=

df

。

groupby

（［

“day”

，

“weekday”

］）

w

=

0

# 週末天數

c

=

0

# 工作日天數

for

i

，

j

in

list

（

g2

。

groups

。

keys

（））：

if

j

>=

5

：

w

+=

1

else

：

c

+=

1

#

temp_df

=

pd

。

DataFrame

（

g1

［

‘orderid’

］

。

count

（））

。

reset_index

（）

temp_df

。

loc

［

temp_df

［

‘isWeekend’

］

==

0。0

，

‘orderid’

］

=

temp_df

［

‘orderid’

］

/

c

temp_df

。

loc

［

temp_df

［

‘isWeekend’

］

==

1。0

，

‘orderid’

］

=

temp_df

［

‘orderid’

］

/

w

print

（

temp_df

。

sort_values

（［

“isWeekend”

，

“orderid”

］，

ascending

=

False

））

sns

。

barplot

（

x

=

‘hour’

，

y

=

“orderid”

，

hue

=

“isWeekend”

，

data

=

temp_df

）

結果如下圖：

可以看到，在訂單量的比較中，週末的分佈比較均勻，當初工作日起的早早的人也小睡了一下懶覺。

出發點和目的地:

先把7位geohash轉換成經緯度，得到起始和結束的經緯度，然後按訂單量選取前二十，如下圖：

得到流向圖如下：

flowmap預覽

詳細連結為：前20

透過放大觀察可知這些軌跡有一個共同點，就是一個在住宅區，一個在地鐵站附近，說明摩拜單車很好地履行了它幫助人們完成最後一公里的使命。