共享单车项目分析
项目来源：Bike Sharing Demand | Kaggle
一、提出问题
在本项目中，参与者被要求将历史使用模式与天气数据相结合，以便预测华盛顿特区的自行车租赁计划中的自行车租赁需求。
二、理解数据
2.1 收集数据
一般而言，数据由甲方提供。若甲方不提供数据，则需要根据相关问题从网络爬取，或者以问卷调查形式收集。本次共享单车数据分析项目数据源于Kaggle。获取数据后需要对数据整体进行分析，从而提炼问题，为后续建模奠定基础。
首先查看Kaggle所提供的数据描述：
（1） 日期时间：年/月/日/时间，例：2011/1/1 0:00
（2） 季节：1=春，2=夏，3=秋天，4=冬天
（3） 假日：是否是节假日（0=否，1=是）
（4） 工作日：是否是工作日（0=否，1=是）
（5） 天气：1=晴天、多云等（良好），2=阴天薄雾等（普通），3=小雪、小雨等（稍差），4=大雨、冰雹等（极差）
（6） 实际温度（℃）
（7） 感觉温度（℃）
（8） 湿度
（9） 风速
（10）未注册用户租借数量
（11）注册用户租借数量
（12）总租借数量
根据官方数据描述，特征为前9项，分别为日期时间（1）、季节（2）、工作日/节假日（3-4）、天气（5-9）四类；标签为后3项：注册/未注册用户租借数量以及租借总数。因为官方规定的提交文件中要求预测的只有租借总数，因此本项目中只关注租借总数的预测。
2.2导入并理解数据
首先导入并查看训练数据和测试数据：
import pandas as pd
#导入并查看训练数据和测试数据
train_data = pd.read_csv('data/train.csv')
test_data = pd.read_csv('data/test.csv')
print(train_data.shape)
print(train_data.info())
print(test_data.shape)
print(test_data.info())
训练数据共12列，10886行，测试数据共9列，6493行，且所有数据完整，没有缺失。相比于训练数据，测试数据缺少注册/未注册用户租借数量以及租借总数3个标签，需要我们通过建模进行预测。
三、数据处理与分析
3.1 数据预处理
在数据处理过程中，最好将训练数据与测试数据合并在一起处理，方便特征的转换。通过查看数据，训练和测试数据均无缺失、不一致和非法等问题。值得注意的是，日期时间特征由年、月、日和具体小时组成，还可以根据日期计算其星期，因此可以将日期时间拆分成年、月、日、时和星期5个特征。
#第二步：数据预处理
#合并两种数据，使之共同进行数据规范化
data = train_data.append(test_data)
#拆分年、月、日、时
data['year'] = data.datetime.apply(lambda x: x.split()[0].split('-')[0])
data['year'] = data['year'].apply(lambda x: int(x))
data['month'] = data.datetime.apply(lambda x: x.split()[0].split('-')[1])
data['month'] = data['month'].apply(lambda x: int(x))
data['day'] = data.datetime.apply(lambda x: x.split()[0].split('-')[2])
data['day'] = data['day'].apply(lambda x: int(x))
data['hour'] = data.datetime.apply(lambda x: x.split()[1].split(':')[0])
data['hour'] = data['hour'].apply(lambda x: int(x))
data['date'] = data.datetime.apply(lambda x: x.split()[0])
data['weekday'] = pd.to_datetime(data['date']).dt.weekday_name
data['weekday']=data['weekday'].map({'Monday':1,'Tuesday':2,'Wednesday':3, 'Thursday':4,'Friday':5,'Saturday':6,'Sunday':7})
data = data.drop('datetime',axis=1)
#重新安排整体数据的特征
cols =['year','month','day','weekday','hour','season','holiday','workingday','weather','temp','atemp','humidity','windspeed','casual','registered','count']data = data.ix[:,cols]
#分离训练数据与测试数据
train = data.iloc[:10886]
test = data.iloc[10886:]
3.2 数据分析
规范数据后，快速查看各影响因素对租借数的影响：
#第三步：特征工程
#1、计算相关系数，并快速查看
correlation = train.corr()
influence_order = correlation['count'].sort_values(ascending=False)
influence_order_abs = abs(correlation['count']).sort_values(ascending=False)
print(influence_order)
print(influence_order_abs)
从相关系数可以看出，天气（包括温度、湿度）对租借数存在明显影响，其中temp和atemp的意义及其与count的相关系数十分接近，因此可以只取atemp作为温度特征。此外，year、month、season等时间因素对count也存在明显影响，而holiday和weekday与count的相关系数极小。
为了更加直观地展现所有特征之间的影响，作相关系数热力图：
#2、作相关性分析的热力图
import matplotlib.pyplot as plt
import seaborn as sn
f,ax = plt.subplots(figsize=(16,16))
cmap = sn.cubehelix_palette(light=1,as_cmap=True)
sn.heatmap(correlation,annot=True,center=1,cmap=cmap,linewidths=1,ax=ax)
sn.heatmap(correlation,vmax=1,square=True,annot=True,linewidths=1)
plt.show()
接下来，深入分析各特征对租借数的影响规律，对每个特征进行可视化：
#3、每个特征对租借量的影响
#(1) 时间维度——年份
sn.boxplot(train['year'],train['count'])
plt.title("The influence of year")
plt.show()
#(2) 时间维度——月份
sn.pointplot(train['month'],train['count'])
plt.title("The influence of month")
plt.show()
#(3) 时间维度——季节
sn.boxplot(train['season'],train['count'])
plt.title("The influence of season")
plt.show()
#(4) 时间维度——时间（小时）
sn.barplot(train['hour'],train['count'])
plt.title("The influence of hour")
plt.show()
（1）年份对租借数的影响
2012年的租借数明显比2011年高，说明随着时间的推移，共享单车逐渐被更多的人熟悉和认可，使用者越来越多。
（2）月份对租借数的影响
月份对租借数影响显著，从1月份开始每月的租借数快速增加，到6月份达到顶峰，随后至10月缓慢降低，10月后急剧减少。这明显与季节有关。
（3）季节对租借数的影响
通过各季度箱型图可以看出季节对租借数的影响符合预期：春季天气仍然寒冷，骑车人少；随着天气转暖，骑车人逐渐增多，并在秋季（天气最适宜时）达到顶峰；随后进入冬季，天气变冷，骑车人减少。因为月份和季节对租借数的影响重合，且月份更加详细，因此在随后的建模过程中选取月份特征，删除季节特征。
（4）时间（小时）对租借数的影响
从时间的分布上来看，每天有两个高峰期，分别是早上8点左右和下午17点左右，正好是工作日的上下班高峰期。而介于两者之间的白天时间变化规律不明显，可能与节假日有关，因此以此为基础需要考虑节假日和星期的影响。
#星期、节假日和工作日的影响
fig, axes = plt.subplots(2,1,figsize=(16, 10))
ax1 = plt.subplot(2,1,1)
sn.pointplot(train['hour'],train['count'],hue=train['weekday'],ax=ax1)
ax1.set_title("The influence of hour (weekday)")
ax2 = plt.subplot(2,2,3)
sn.pointplot(train['hour'],train['count'],hue=train['workingday'],ax=ax2)
ax2.set_title("The influence of hour (workingday)")
ax3 = plt.subplot(2,2,4)
sn.pointplot(train['hour'],train['count'],hue=train['holiday'],ax=ax3)
ax3.set_title("The influence of hour (holiday)")
plt.show()
可以看出，工作日早晚上班高峰期租借量高，其余时间租借量低；节假日中午及午后租借量较高，符合节假日人们出行用车的规律。
（5）天气对租借数的影响
#(5) 天气的影响
sn.boxplot(train['weather'],train['count'])
plt.title("The influence of weather")
plt.show()
（6）具体天气因素（温度、湿度和风速）的影响
#(6) 温度、湿度、风速的影响
cols = ['temp', 'atemp', 'humidity', 'windspeed', 'count']sn.pairplot(train[cols])
plt.show()
作出多个连续变量之间的相关图，可以比较任意两个连续变量之间的关系。图中可以明显看出temp和atemp大致成线性关系，但也存在一组数据显著偏离线性相关趋势，可能与湿度和风速有关。因此，可以认为temp、humidity和windspeed三者共同决定了atemp，因此在后续建模过程中可以删除atemp特征。
进一步研究温度、湿度和风速对租借数的影响：
fig, axes = plt.subplots(1,3,figsize=(24,8))
ax1 = plt.subplot(1,3,1)
ax2 = plt.subplot(1,3,2)
ax3 = plt.subplot(1,3,3)
sn.regplot(train['temp'],train['count'],ax=ax1)
sn.regplot(train['humidity'],train['count'],ax=ax2)
sn.regplot(train['windspeed'],train['count'],ax=ax3)
ax1.set_title("The influence of temperature")
ax2.set_title("The influence of humidity")
ax3.set_title("The influence of windspeed")
plt.show()
虽然三种天气因素对租借数的影响比较分散，但可以明显看出温度和风速与租借数成正相关，湿度与租借数成负相关。
3.3 特征工程
综上所述，本项目提取特征year、month、hour、workingday、holiday、weather、temp、humidity和windspeed共9个特征预测租借总数。其中year、month、hour、workingday、holiday和weather为离散量，且由于workingday和holiday已经是二元属性，因此其余四个需要进行独热编码（one-hot）方式进行转换。
#特征工程
#所选取的特征：year、month、hour、workingday、holiday、weather、temp、humidity和windspeed
#(1) 删除不要的变量
data = data.drop(['day','weekday','season','atemp','casual','registered'],axis=1)
#(2) 离散型变量（year、month、hour、weather）转换
column_trans = ['year','month','hour','weather']
data = pd.get_dummies(data, columns=column_trans)
四、构建模型
接下来，需要对数据进行建模预测，分别采用三种典型集成学习模型（普通随机森林、极端随机森林模型和梯度提升树模型）、XGBoost模型和人工神经网络模型。此处均采用模型的默认参数或简单参数，如人工神经网络选用三层神经网络，每层包含神经元数量相同，且均为特征个数。
#机器学习
#1、特征向量化
col_trans = ['holiday', 'workingday', 'temp', 'humidity', 'windspeed', 'year_2011', 'year_2012', 'month_1', 'month_2', 'month_3', 'month_4', 'month_5', 'month_6', 'month_7', 'month_8', 'month_9', 'month_10', 'month_11', 'month_12', 'hour_0', 'hour_1', 'hour_2', 'hour_3', 'hour_4', 'hour_5', 'hour_6', 'hour_7', 'hour_8', 'hour_9', 'hour_10', 'hour_11', 'hour_12', 'hour_13', 'hour_14', 'hour_15', 'hour_16', 'hour_17', 'hour_18', 'hour_19', 'hour_20', 'hour_21', 'hour_22', 'hour_23', 'weather_1', 'weather_2', 'weather_3', 'weather_4']
X_train = data[col_trans].iloc[:10886]
X_test = data[col_trans].iloc[10886:]
Y_train = data['count'].iloc[:10886]
from sklearn.feature_extraction import DictVectorizer
vec = DictVectorizer(sparse=False)
X_train = vec.fit_transform(X_train.to_dict(orient='record'))
X_test = vec.fit_transform(X_test.to_dict(orient='record'))
#分割训练数据
from sklearn.model_selection import train_test_splitx_train, x_test, y_train, y_test = train_test_split(X_train, Y_train, test_size=0.25, random_state=40)
#2、建模预测，分别采用常规集成学习方法、XGBoost和神经网络三大类模型from sklearn.ensemble import RandomForestRegressor
from sklearn.ensemble import ExtraTreesRegressor
from sklearn.ensemble import GradientBoostingRegressor
from xgboost import XGBRegressor
from sklearn.neural_network import MLPRegressor
from sklearn.metrics import r2_score
#（1）集成学习方法——普通随机森林
rfr = RandomForestRegressor()
rfr.fit(x_train,y_train)
#print(rfr.fit(x_train,y_train))
rfr_y_predict = rfr.predict(x_test)
print("集成学习方法——普通随机森林回归模型的R方得分为：",r2_score(y_test,rfr_y_predict))
#（2）集成学习方法——极端随机森林
etr = ExtraTreesRegressor()
etr.fit(x_train,y_train)
#print(etr.fit(x_train,y_train))
etr_y_predict = etr.predict(x_test)
print("集成学习方法——极端随机森林回归模型的R方得分为：",r2_score(y_test,etr_y_predict))
#（3）集成学习方法——梯度提升树
gbr = GradientBoostingRegressor()
gbr.fit(x_train,y_train)
#print(gbr.fit(x_train,y_train))
gbr_y_predict = gbr.predict(x_test)
print("集成学习方法——梯度提升树回归模型的R方得分为：",r2_score(y_test,gbr_y_predict))
#（4） XGBoost回归模型
xgbr = XGBRegressor()
xgbr.fit(x_train,y_train)
#print(xgbr.fit(x_train,y_train))
xgbr_y_predict = xgbr.predict(x_test)
print("XGBoost回归模型的R方得分为：",r2_score(y_test,xgbr_y_predict)) #（5） 神经网络回归模型
mlp = MLPRegressor(hidden_layer_sizes=(47,47,47),max_iter=500)mlp.fit(x_train,y_train)
mlp_y_predict = mlp.predict(x_test)
print("神经网络回归模型的R方得分为：",r2_score(y_test,mlp_y_predict))
最终模型预测能力如下：
可以看出，默认配置的随机森林模型和简单参数的人工神经网络R方得分较高。分别采用极端随机森林模型和人工神经网络预测测试数据，上传至Kaggle评分，两者结果相似，其中极端随机森林模型的效果略好，结果如下：
