一、数据分析
1.数据特征
https://blog.csdn.net/mingxiaod/article/details/86697327
————————————————
2.数据预处理
（1）数据文件读取-
（2）合并数据文件
（3）数据格式转换
（4）拼接数据
3.数据分析
（1）用户分析
1.性别
2.年龄段
（2）骑行持续时间的分布
1.周骑行量分析
2.年分析
3.日分析
（3）位置分析
1.终点位置分析
2.起始点分析
4.结论
5.建议
2.数据预处理
（1）数据文件读取
（2）合并数据文件
（3）数据格式转换
更改数字，日期形式的数据
（4）数据分组转换
把年龄转换为年龄段
骑行时间转换为骑行时间段
3.数据分析
（1）用户分析
1.性别（0-未知，1-男性，2-女性）
2.年龄
根据上图可以看出性别为男，在24-36岁阶段的用户比较多，subscriber的用户比较多
（2）骑行持续时间的分布
1.年分析
2.工作日分析
3.每天时长分析
4.骑行时长分析
平均骑行时长是在16分钟左右，骑行0-16分钟的人占绝大多数，周六明显骑行次数比较多，每日在8，9，17,18点左右骑行人数比较多，年分布图可以看出骑行的频率受季节的影响
3）位置分析
1.终点位置分析
2.起始点分析
终点：L afayette St &E 8 St站点骑行停放的次数最多
起始点：Pershing Square North站点骑行停放的车辆最多
4.结论
（1）用户分析，根据上图可以看出性别为男，在24-36岁阶段的用户比较多，subscriber的用户比较多
（2）骑行持续时间的分布：一年内，每天骑行次数的分布图中可以看出，用户骑行的时间次数图有季节性，和季节有很大的关系，每天时长分析图中可以看出，用户骑行时间主要分布在上下班时间即早上8点左右，晚上5点左右，骑行时长分析（单位min）图中可以看出，用户在1-16分钟的骑行次数比较多，
（3）位置分析
终点：L afayette St &E 8 St站点骑行停放的次数最多
起始点：Pershing Square North站点骑行停放的车辆最多
5.建议
。.为提高自行车的使用量，应该注重24-36岁的用户 维护和拉新；
。.由于季节性即温度可能会影响用户的骑行，所以可以随温度的变化调整车辆投放，减少车辆损坏率，提高单车使用率，适当调整月卡季卡单价，使得收益最大化；工作日在上下班的时段调度车辆，使得车辆使用率最大化。
。.终点L afayette St &E 8 St站点车辆比较多，可能是是单车车库所在地，也可能是居民区，；起始点：Pershing Square North站点骑行停放的车辆最多，可能是办公区或者地铁口，可以根据情况调度单车，使得单车使用率最大化。
