Bike Sharing Analysis（一）- 探索数据

1. Bike Sharing Analysis

在这章主要介绍如何分析共享单车服务数据，以及如何基于时间、天气状态特征来识别单车的使用模式。除此之外，我们还会引入可视化分析，假设检验、以及时间序列分析的概念与方法。

共享单车是城市里较为快速的通勤方式，了解用户使用共享单车所考虑的因素，对于公司和用户来说都是必须的。

从公司的角度来看，了解某一个时间段某一区域里，用户对共享单车的需求，可以显著地提升业绩以及用户满意度。同时也可以优化未来的运营成本。从用户的角度来看，可能最重要的因素是：在最短的时间内满足对单车的需求。这点与公司的利益是一致的。

在这篇文章中，我们会分析来自于华盛顿Capital Bikeshare 的单车共享数据，时间跨度从2011年1月1日，到2012年12月31日，数据以小时级别进行了聚合。也就是说， 数据中不包含单次骑行的起始与终止的位置，而是仅仅每小时的骑行次数。除此之外，数据集中还有额外的天气信息，可作为一个影响因素，影响在某个特定时间点对骑行的需求总数（天气比较差的时候可能会对骑行需求有较大的影响）。

1.1. Note

源数据获取地址：https://archive.ics.uci.edu/ml/datasets/Bike+Sharing+Dataset#

若是对此topic 比较感兴趣，可以进一步阅读论文：Fanaee-T, Hadi, and Gama, Joao, 'Event labeling combining ensemble detectors and background knowledge', Progress in Artificial Intelligence (2013): pp. 1-15, Springer Berlin Heidelberg.

虽然这个主题仅是对共享单车进行分析，但是提供的技术可以很容易应用到其他不同的共享商业模型，例如共享汽车或是共享摩托车等。

2. 理解数据

我们首先加载数据并做初始的分析。这里的目标主要是：

1. 对数据有基本的了解
2. 各个特征是如何分布
3. 是否有缺失值

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np
import s3fs

%matplotlib inline

# load hourly data
hourly_data = pd.read_csv('s3://tang-sagemaker/workshop/bike_sharing/hour.csv')
print(f"Shape of data: {hourly_data.shape}")
print(f"Number of missing values in the data: {hourly_data.isnull().sum().sum()}")

Res: 
Shape of data: (17379, 17)
Number of missing values in the data: 0

查看一下统计数据：

结合Readme.txt 里对数据的说明，我们可以了解以下几点：

1. instant 为 id 索引，对预测无帮助
2. 离散型特征有：season，yr，mnth，hr，holiday，weekday，workingday，weathersit
3. 数值型特征有：temp，atemp，hum，windspeed，casual，registered，cnt
4. 数值型特征中temp、atemp，hum，windspeed 均已做标准化处理，casual，registered，cnt未做标准化处理
5. cnt 是 casual 与 registered 相加之和，可以由这两个属性计算出
6. dteday为时间特征

按照特征描述分类，可以分为3大类：

1. 时间相关，包含条目注册时的时间：dteday，season，yr，mnth，hr，holiday，weekday，workingday
2. 天气相关，包含天气条件：weathersit，temp，atemp，hun以及windspeed
3. 条目本身相关，包含指定小时内，总records数：casual，registered以及cnt

3. 数据预处理

为了适应机器学习算法的需求，使预测结果更为准去，我们需要对数据做预处理。偶尔也会为了可视化的目的进行预处理展示。

3.1. 处理时间与天气特征

这里对时间与天气特征进行处理，主要不是为了方便机器学习训练，而是为了方便人可读。在数据集中，有部分特征已经被编码过，我们再次将这些特征进行编码，方便人可读：

• season 特征，它的值为1到4，分别对应的是 Spring、Summer、Fall和 Winter；
• yr特征，它的值为 0和1，分别对应2011 和 2012；
• weekday特征，值为0到6，分别对应一周的每天（0: Sunday，6: Saturday）
• weathersit特征，值为1到4，分别对应的是clear, cloudy, light_rain_snow, heavy_rain_snow
• hum特征，被缩放到了0到1区间内，原始应为0到100区间内
• windspeed特征，被缩放到了0到1区间内，原始应为0到67区间内

首先处理 season、yr以及weekday 特征：

preprocessed_data = hourly_data.copy()

# temperal features
seasons_map = {1:"Spring", 2:"Summer", 3:"Fall", 4:"Winter"}
yr_map = {0:2011, 1:2012}
weekday_mapping = {0:'Sunday', 1:'Monday', 2:'Tuesday', 3:'Wednesday', 4:'Thursday', 5:'Friday', 6:'Saturday'}

preprocessed_data['season'] = preprocessed_data['season'].apply(lambda x: seasons_map[x])
preprocessed_data['yr'] = preprocessed_data['yr'].apply(lambda x: yr_map[x])
preprocessed_data['weekday'] = preprocessed_data['weekday'].apply(lambda x: weekday_mapping[x])

继续处理weathersit、hum以及windspeed特征。其中hum以及wind的原始范围分别为 [0, 100] 以及[0, 67]，已经被缩放为[0, 1]：

# weather features
weather_mapping = {1: 'clear', 2: 'cloudy', 
                   3: 'light_rain_snow', 4: 'heavy_rain_snow'}

preprocessed_data['weathersit'] = preprocessed_data['weathersit'].apply(lambda x: weekday_mapping[x])
preprocessed_data['hum'] = preprocessed_data['hum'] * 100
preprocessed_data['windspeed'] = preprocessed_data['windspeed'] * 67

验证转换效果：

# validate
cols = ['season', 'yr', 'weekday', 'weathersit', 'hum', 'windspeed']
preprocessed_data[cols].sample(10, random_state=42)

 

3.2. Registered versus Casual分析

根据数据说明，registered + casual = cnt，我们可以验证一下：

assert (preprocessed_data['registered'] + preprocessed_data['casual'] == preprocessed_data['cnt']).all(), 'not all are equal'

首先对这2个特征进行分析的话，可以看一下它们的分布，这里会使用到seaborn，它是基于标准matplotlib构建的可视化库，为不同的统计图提供了更高级的接口。下面我们看一下registered 与 casual 骑行的分布：

# plot distribution of registered and casual
sns.distplot(preprocessed_data['registered'], label='registered')
sns.distplot(preprocessed_data['casual'], label='casual')

plt.legend()
plt.xlabel('rides')
plt.title("Rides Distribution")
plt.savefig('figs/rides_distributions.png', format='png')

 

从分布图我们可以了解到：

1. 两者的分布均为正倾斜
2. 骑行的registered 用户远多于casual 用户

下面我们探索一下随时间变化的骑行数，以天为单位：

# plot evolotion of ride over time
plot_data = preprocessed_data[['registered', 'casual', 'dteday']]

ax = plot_data.groupby('dteday').sum().plot(figsize=(10, 6))
ax.set_xlabel("time")
ax.set_ylabel("number of rides per day")
plt.savefig('figs/rides_daily.png', format='png')

从这个图可以看到：

1. registered 用户的骑行次数，基本每天都是要明显超出casual 用户非常多
2. 冬季骑行数会少下降

但是这个图中，两个时间之间的差比非常大，所以有很高的的抖动（毛刺）。有一个平滑毛刺的方法是：使用滚动平均值与滚动标准差来替换所需要可视化的值，以及它们的期望标准差情况。

plot_data = preprocessed_data[['registered', 'casual', 'dteday']]
plot_data = plot_data.groupby('dteday').sum()

# define window for computing the rolling mean and standard deviation
window = 7
rolling_means = plot_data.rolling(window).mean()
rolling_deviation = plot_data.rolling(window).std()

ax = rolling_means.plot(figsize=(10, 6))
ax.fill_between(rolling_means.index,
                rolling_means['registered'] + 2*rolling_deviation['registered'],
                rolling_means['registered'] - 2*rolling_deviation['registered'],
                alpha=0.2)
ax.fill_between(rolling_means.index,
                rolling_means['casual'] + 2*rolling_deviation['casual'],
                rolling_means['casual'] - 2*rolling_deviation['casual'],
                alpha=0.2)

ax.set_xlabel("time")
ax.set_ylabel("number of rides per day")
plt.savefig('figs/rides_aggregated.png', format='png')

 

下面我们继续关注一下骑行请求随一天中不同小时、以及一周中不同天的分布情况。我们预期是会有随时间变化的骑行请求数，因为直觉来看，骑行的请求数应该在一天中某几个特定小时，以及一周中的特定天是有关的。

# select relevant columns
plot_data = preprocessed_data[['hr', 'weekday', 'registered', 'casual']]
plot_data = plot_data.melt(id_vars=['hr', 'weekday'], var_name='type', value_name='count')

grid = sns.FacetGrid(plot_data, row='weekday', col='type', height=2.5, aspect=2.5,
                     row_order = ['Monday', 'Tuesday', 'Wednesday', 'Thursday', 'Friday', 'Saturday', 'Sunday'])

grid.map(sns.barplot, 'hr', 'count', alpha=0.5)
grid.savefig('figs/weekday_hour_distributions.png', format='png')

 

从这个图我们可以了解到：

1. 在工作日，用户骑行时间主要分布在早上8点到下午6点之间，符合我们的预期；
2. Registered 用户为共享单车的主要使用者
3. Casual 用户在工作日使用共享单车有限
4. 在休息日，可以明显看到对于registered 与 casual 用户骑行的分布有变化，但registered 用户仍占主要使用者大部分；两者的分布基本一致，在早上11点AM 到 6点PM的分布类似于均匀分布

总的来说，我们可以得出结论：大部分的单车使用在工作日，一般为工作时间内（如早9晚5）。

3. 天气对骑行影响分析

下面我们继续探索天气对骑行的影响。

plot_data = plot_data.melt(id_vars=['hr', 'season'], var_name='type', value_name='count')
grid = sns.FacetGrid(plot_data, row='season', col='type', height=2.5, aspect=2.5,
                     row_order = ['Spring', 'Summer', 'Fall', 'Winter'])

grid.map(sns.barplot, 'hr', 'count', alpha=0.5)

 

从四个季度来看，分布基本一致，其中春季的骑行需求稍低。

再从weekday方面进一步探索：

plot_data = preprocessed_data[['weekday', 'season', 'registered', 'casual']]
plot_data = plot_data.melt(id_vars=['weekday', 'season'], var_name='type', value_name='count')

grid = sns.FacetGrid(plot_data, row='season', col='type', height=2.5, aspect=2.5,
                     row_order = ['Spring', 'Summer', 'Fall', 'Winter'])

grid.map(sns.barplot, 'weekday', 'count', alpha=0.5,
         order=['Monday', 'Tuesday', 'Wednesday', 'Thursday', 'Friday', 'Saturday', 'Sunday'])

从这个图我们可以看到：对于registered 用户来说，工作日使用量高于休息日使用量；对于casual 用户来说，休息日使用量高于工作日使用量。

据此，我们可能会提出初始的假设：registered 用户用共享单车主要是为了通勤，而casual用户主要在周末偶尔使用共享单车。

当然，这个假设结论不能仅基于可视化图像观察，还需要有背后的统计测试进行支持。也就是我们下一节要讨论的问题。