（12）Python初入坑之案例分析二

dataju.cn

文件為csv文件，首先我們使用read_csv讀取文件數據。

依舊是一個很長的路徑。

使用data.tail() 查看文件的後五行。

可以看到文件有20萬行，數據量非常多。並且後面有許多的空值，後面我們要把這些空值去掉。

然後我們看一下columns都有什麼。

分別有成員類型（註冊者或遊客），累積騎行時間，騎行日期，騎行開始時間（分data和time），出發站點及ID，結束日期時間，結束站點及ID等等。

首先，數據中有很多跨天的數據，我們不太想分析這類數據，時間難以定義。我們只想分析當天結束騎行的數據，那我們需要做一個篩選。開始日期=結束日期即可。startday=endday即可。

這樣就進行了第一步的數據篩選。

然後我們現在只想取出我們需要的列，不需要的數據不需要，那我們選取相應的列即可。我們選取成員類型，騎行累加時間，開始日期，開始時間，開始站點名，結束站點名，用雙中括弧，這樣可以取出dataframe。

然後我們要去除數據全部為空的行，使用dropna，指定how=『all』即可。

然後對於StartTime，我們可以看到都是21:36這樣的幾分幾秒的類型，我們不需要精確的分鐘，只需要到小時即可，這樣方便我們之後對某一時間段內的數據做分析，則用split分隔開，取第一個數據即可[0]。

同樣對於StartDate，我們也只想精確到月份，後面的時間都不需要，則方法是一樣的，只不過分隔符就是『/』了。這樣就可以取出月份了。

下面我們介紹一個方法，叫pivot_table。數據表透視。使用透視的方法，我們可以直接定義一個新表格，定義行索引是什麼，列索引是什麼，裡面需要放什麼數據。直接使用pivot就可以定義，非常強大。下面我們做一個示例。

以上我們定義了一個table，行索引是startday，列索引指定為menbertype，中間填充的內容是各個成員的一周中每天的騎行累加時間的平均值。指定aggfunc=np.mean 是對分組之後每一列的數據進行平均值計算，如果不設置的話，會默認求平均值。

下面，我們想看一下每一天，三種成員都分別騎行多少時間，大概在一天中的比例，那我們可以用堆積圖。plot.bar(stacked=True)。同時設置橫坐標標籤旋轉30度，不然標籤就是90度的，不方便閱讀。

可以看出，首先周六的時候，騎行時間總和非常多。其次，可以看出customer時間比其他時間都長，但是還不夠直觀。我們就想得到在100%之內，各個成員騎行時間分別佔多少。那麼可以使用以下辦法。

我們來理解這一行代碼，首先根據順序，先看括弧裡面。table.sum(axis=1)，就是計算出每一行的騎行時間加總，就是每一天，三種成員的騎行加總時間。然後再用table每一個元素，axis=0的意思是，每一行的元素除以該行的加總，以行往下的順序計算。然後我們再來畫圖。

圖表的標籤擋住了，我們用legend=False去掉。同時標籤也需要定義傾斜度，定義rot=30吧。

現在我們想分析一下一天24小時之中，三種客戶累計騎行時間的情況。這個時候也可以使用pivot函數。

這個畫布設置的非常大。凌晨4點和晚上8點騎行時間非常長？（凌晨4點？這個時間有待探究。莫非是使用的時間區間有問題？例如他們的4點是我們的早上7點之類的？？）

下面我們看一下，對於各個車站來說，在這個站點裡出去的車次和進來的車次，有多大的差異。直接對於起始站和終點站的元素個數加總，相減就行，數據會根據索引自動匹配相減的。然後計算完成之後進行sort_values，進行升序排列。

截取一部分數據，我們可以看到升序排列之後，前面的站點出發車次小於到達車次，所以這個站點會有很多車騎進來停車。那後面的站點就是每天很多車騎出去，需要給這些站點補充車輛。

以上我們的colunms都是選擇了一列，來作為列索引。那如果選擇了兩列呢？那自然就是層次化索引了。比如我們選擇menbertype，和startday。就是查看三種成員，每一種成員一周七天的騎行數據。如果我們想以stratstationname作為行索引，列索引選擇menbertype和startday，並且添加np.size。

意思就是查看各個站點，一周七天內，三種成員每天的騎行車次有多少。

因為反正是計算元素的個數，所以values選取starttime或者tripduration都無所謂。

margins=True的意思是，對每一行的數據求和，單獨添加ALL的一列，放在最右側。

fill_value=0的意思就是對於空值填充為0 。

這樣的層次化索引，我們還可以單獨取一列出來，形成一個dataframe。