wordpress设置样式,哈尔滨seo优化运营,网络推广都有哪些平台,怎么把自己的网站做自适应网站文章目录 #x1f3f3;️#x1f308; 1. 导入模块#x1f3f3;️#x1f308; 2. Pandas数据处理2.1 读取数据2.2 查看数据信息2.3 处理起始时间、结束时间2.4 增加骑行时长区间列2.5 增加骑行里程区间列 #x1f3f3;️#x1f308; 3. Pyecharts数据可视化3.1 各… 文章目录 ️ 1. 导入模块️ 2. Pandas数据处理2.1 读取数据2.2 查看数据信息2.3 处理起始时间、结束时间2.4 增加骑行时长区间列2.5 增加骑行里程区间列 ️ 3. Pyecharts数据可视化3.1 各行政区单车骑行量3.2 各行政区单车里程热图3.3 起始时间分布3.4 结束时间分布3.5 骑行里程分布3.6 骑行里程区间占比3.7 骑行时长(s)3.8 骑行时长区间占比 ️ 4. 可视化项目源码数据 大家好我是 【Python当打之年(点击跳转)】
本期将利用Python分析「深圳市共享单车数据」 看看各行政区单车骑行量、骑行里程、骑行时间分布等情况希望对大家有所帮助如有疑问或者需要改进的地方可以联系小编。
涉及到的库
Pandas — 数据处理Pyecharts — 数据可视化
️ 1. 导入模块
import pandas as pd
from pyecharts.charts import *
from pyecharts import options as opts
import warnings
warnings.filterwarnings(ignore)️ 2. Pandas数据处理
2.1 读取数据
df1 pd.read_excel(./共享单车数据.xlsx)2.2 查看数据信息
df.info()2.3 处理起始时间、结束时间
df1[骑行时长(s)] (df1[结束时间] - df1[起始时间]).dt.total_seconds()2.4 增加骑行时长区间列
lables [f{i}-{i5}分钟 for i in range(0, 60, 5)][60分钟以上]
df1[骑行时长区间] pd.cut(df1[骑行时长(s)],bins[i for i in range(0, 3601, 300)][10000],labelslables)2.5 增加骑行里程区间列
distance_transferdf1[骑行里程(m)].map(lambda x: x / 1000)
df1[骑行里程区间] pd.cut(distance_transfer,bins[0,1,2,3,4,5,10],labels[0-1公里,1-2公里,2-3公里,3-4公里,4-5公里,5-6公里])️ 3. Pyecharts数据可视化
3.1 各行政区单车骑行量
def get_bar():bar (Bar().add_xaxis(x_data).add_yaxis(, y_data,).set_global_opts(title_optsopts.TitleOpts(title1-各行政区单车骑行量,subtitlesubtitle,pos_top2%,pos_leftcenter,),visualmap_optsopts.VisualMapOpts(is_showFalse,range_colorrange_color,),))return bar福田区、龙华区、南山区的骑行订单量要远高于其他行政区光明区、盐田区骑行订单量最少
3.2 各行政区单车里程热图
def get_map():map1 (Map().add(单车里程, data, 深圳).set_global_opts(title_optsopts.TitleOpts(title2-各行政区单车里程热图,subtitlesubtitle,pos_top2%,pos_leftcenter,),visualmap_optsopts.VisualMapOpts(range_colorrange_color,),))return map13.3 起始时间分布 骑行订单量在早8时和晚16时达到峰值这两个时间正好是早晚高峰时间 大部分的骑行订单集中在16时-20时
3.4 结束时间分布 3.5 骑行里程分布
def get_scatter():scatter (Scatter().add_xaxis(x_data).add_yaxis(,y_data,label_optsopts.LabelOpts(is_showFalse)).set_global_opts(title_optsopts.TitleOpts(title5-骑行里程分布,subtitlesubtitle,pos_top2%,pos_leftcenter,),visualmap_optsopts.VisualMapOpts(is_showFalse,range_colorrange_color,)))return scatter3.6 骑行里程区间占比 3公里以内的骑行订单占比达到80%其中1-2公里区间最多占比约34%
3.7 骑行时长(s) 3.8 骑行时长区间占比
def get_pie():pie (Pie().add(,[list(z) for z in zip(x_data, y_data)]).set_global_opts(title_optsopts.TitleOpts(title8-骑行时长区间占比,subtitlesubtitle,pos_top2%,pos_leftcenter,),visualmap_optsopts.VisualMapOpts(is_showFalse,range_colorrange_color,),))return pie15分钟以内的骑行订单占比达到78%其中5-10分钟这个区间最多占比约34%
️ 4. 可视化项目源码数据 点击跳转【全部可视化项目源码数据】 以上就是本期为大家整理的全部内容了赶快练习起来吧原创不易喜欢的朋友可以点赞、收藏也可以分享注明出处让更多人知道。
