共享单车数据可视化分析（Python/Seaborn）

1. 共享单车数据可视化分析（Python/Seaborn）

 项目数据来源于kaggle项目  Bike Share Demand ，使用Python对数据进行了可视化分析：
                                                                                                                                                                                                                                                                                                                                                                                                                    1. 提出问题    影响共享单车租用数量的因素有哪些？影响程度如何？
    2. 理解数据 
   变量说明：
    3.数据清洗 
   1)数据预处理：数据完整无缺失值   2)特征工程：从datetime中提取年、月、日、时、星期等时间信息
    4. 可视化分析 
   1）单车使用量在天气维度上的分析（天气、温度、湿度和风速相关性）
                                           可以看到，整体租车量受天气影响较为明显，极端的天气租车数量减少。   4级天气看起来有些异常，于是统计数据条目：
   可以看到，4级天气只有1条数据记录，这种极端天气情况出现的数据极少。
                                           温度和使用量有正相关关系，湿度与使用量有负相关关系，风速和使用量几乎不相关。
                                           由图像可看出，使用量与温度、湿度和风速的关系，相关性有限。
   2）单车使用量在时间维度上的分析（月份、季节、时间、星期等相关性）
                                           总量来看，节假日和周末/工作日的租车数量基本相同。
                                           图1可以看出2012年共享单车的使用量高于2011年，消费人群增加了1.5~2倍。两年内租车量随月份变化的趋势相同，6、7、8月有明显的高需求。
   图2可以看出租车时间高峰为上午7-8点，下午5-6点，符合上下班通勤的时间范围。季节上看，春天的租车辆明显少于其它三个季节。
   图3可以看出工作日租车辆主要为上下班时间，周末租车辆主要集中在10am-4pm之间。
   3）单车使用量与注册用户/非注册用户的相关性
                                           注册人数使用量明显高于非注册人数，   非会员casual主要是周末出行，为了游玩; 会员registered主要是为了周一到周五上班。
    5. 总结