复现-kaggle共享单车数据分析python和fine BI方法，第二部分2020.7.23

fine BI部分

1、日期、时间、季度、月份、记录数

2、星期、时间、记录数，这图很明显啊，工作日有上下班高峰，双休大家骑车出去玩。工作日的租车高峰时段非常明显，处于7-9点，16-19点-通勤为主。非工作日租车高峰时段特征较为平缓，从上午10点租车人数逐渐增多，到晚上8点后，租车人数回到低峰水平-非工作日主要用于休闲代步、短途旅游等。

3、每个双休出行情况

3、每个工作日出行情况

4、骑行编号与出行次数，前20是测试账号？数量较少

大部分编号骑行次数在700-500次。

5、骑行编号、用户类型、记录数，会员比非会员骑行次数多。会员基本在300-500次，非会员在200-300次

6、骑行编号、记录数、性别。男性骑行次数多于女性，男性会员基本在200-400次，女性50-100次，other应该不是gay，是活动账户？一般在10次左右。

7、星期、骑行次数、骑行时间、性别、会员。男性人数多，总骑行次数多，但是每次骑行9分钟时间比女性10分钟少1分钟，骑得快？

非会员基本骑行34分钟，是游客？非会员双休骑行平均41分钟。

8、站点编号、记录数。会员多的是工作CBD站点，非会员多的是景区、交通站点。

9、站点与星期。双休进出多的可能是景点，购物中心，大家骑行旅游交通。

10、日期与温度

11、合并骑行和天气数据。日期、骑行次数、最高、低、平均温度的相关性。有强相关。

但是从骑行次数排序中没有看到受温度影响骑行次数的剧烈变化。

按温度排序，骑行次数没有明显降低，而是更加散开。.

12、日期、骑行次数、降雨量。似乎降雨对出行有些影响，但是不明显。

13、温度、降雨量、骑行次数。没看出明显因果关系。