Python项目实战——纽约出租车运行情况分析建模
一、项目概述
根据出租车的运营数据，针对客户旅途时间展开分析与建模，通过分析，对客户可能有影响的几个因素进行分析，比如车堵不堵，路线规划是否合理等,对出租车历史数据进行分析，为客户预测预计到达时间等，以改善运营情况。
过程设计：
提出问题
理解数据
数据清理
数据分析
得出结论
重要字段说明 ：
编号： id
出租车类型： vendor_id
上车时间： pickup_datetime、
下车时间： dropoff_datetime、
乘客数量： passenger_count 、
上车地点 ： pickup_longitude(经度）、pickup_latitude（纬度）、
下车地点： dropoff_longitude （经度）、 dropoff_latitude（纬度）、
旅途持续时间（秒）： trip_duration。
首先导入需要的模块
#导入包
import os
import pandas as pd
import numpy as np
from matplotlib.pyplot import *
from matplotlib import animation
from matplotlib import cm
from sklearn.cluster import KMeans
from sklearn.neighbors import KNeighborsClassifier
from dateutil import parser
import io
import base64
导入数据，查看前五行：
df=pd.read_csv(r'C:\Users\www12\Desktop\python\pythonDA\NewYork\train.csv')
df.head()
print(df.shape[0])
1458644
二、聚类区域划分
查看纽约市地图，划分出分析区域的经纬度，再根据数据分布情况，选择对经度[-74.03,-73.77]，纬度[40.63,40.85]之间数据较为集中的区域进行分析，筛选掉区域之外的地点。
xlim=[-74.03,-73.77]
ylim=[40.63,40.85]
df=df[(df['pickup_longitude']>=xlim[0]) & (df['pickup_longitude']<=xlim[1])]
df=df[(df['dropoff_longitude']>=xlim[0]) & (df['dropoff_longitude']<=xlim[1])]
df=df[(df['pickup_latitude']>=ylim[0]) & (df['pickup_longitude']<=ylim[1])]
df=df[(df['dropoff_latitude']>=ylim[0]) & (df['dropoff_latitude']<=ylim[1])]
print(df.shape[0])
1439073
合并上下车经纬度数据，绘制出图像：
longitude=list(df['pickup_longitude'])+list(df['dropoff_longitude'])
latitude=list(df['pickup_latitude'])+list(df['dropoff_latitude'])
plt.figure(figsize=(10,10))
plt.plot(longitude,latitude,'.',alpha=0.4,markersize=0.05)
plt.show()
结合纽约市地图，我们可以看出客流量较为密集的几个区域，分布在曼哈顿区、港口、肯尼迪机场和拉瓜迪亚机场，我在图上标记出了这几个地方。
然后我们需要对图上客流量较为密集的几个区域进行划分，用聚类试试：
loc_df=pd.DataFrame() #提取经纬度数据
loc_df['longitude']=longitude
loc_df['latitude']=latitude
kmeans=KMeans(n_clusters=15,random_state=2,n_init=10).fit(loc_df)
loc_df['label']=kmeans.labels_
#聚类，分成15个簇，绘图，标记不同的颜色
loc_df=loc_df.sample(200000)
plt.figure(figsize=(10,10))
for label in loc_df.label.unique(): ####？？？？###
plt.plot(loc_df.longitude[loc_df.label == label],loc_df.latitude[loc_df.label == label],'.',alpha=0.3,markersize=0.3)
plt.title('Clusters of New York')
plt.show()
划分出了15个区域，并标记了不同的颜色，接着给每个区域作个标记
fig,ax=plt.subplots(figsize=(10,10))
for label in loc_df.label.unique(): #找到每个区域的中心点，给区域作个标记。
ax.plot(loc_df.longitude[loc_df.label == label],loc_df.latitude[loc_df.label == label],'.',alpha=0.3,markersize=0.3,color='gray')
ax.plot(kmeans.cluster_centers_[label,0],kmeans.cluster_centers_[label,1],'o', color = 'r')
ax.annotate(label, (kmeans.cluster_centers_[label,0],kmeans.cluster_centers_[label,1]), color = 'b', fontsize = 20)
ax.set_title('Cluster centers')
plt.show()
然后，我们想看一下出租车在不同的区域之间的真实运行情况，比如出发方向，哪个地方到哪个地方的客流更多一些？等，同时也应该加上时间因素，考虑到时间因素对运行的影响，比如早高峰时段，晚高峰时段的运行情况是什么样的？去机场一般是什么时间段？