python数据分析-杭州市地铁站人流量【数据源—阿里云天池新人赛】
前言
天池新人实战赛是针对数据新人开设的实战练习专场，以经典赛题作为学习场景，提供详尽入门教程，手把手教你学习数据挖掘。天池希望新人赛能成为高校备受热捧的数据实战课程，帮助更多学生掌握数据技能。城市计算AI挑战赛以“地铁乘客流量预测”为课题，参赛者将根据主办方提供的地铁人流相关数据，挖掘隐藏在背后的出行规律，准确预测各个地铁站点未来流量的变化。
数据下载：
#这里是数据图片展示，要下载的话点击这个链接：
https://tianchi.aliyun.com/home/ #这是阿里云天池平台，里面有很多好玩的比赛，大家有时间可以体验一下
#首页
#需要用阿里云账号登陆，没有的话就自己注册，这是我的个人中心界面，里面显示了我参加的比赛，随便点击一个项目进去：
#点击赛题与数据这一栏
#然后出现了可供下载的数据
再说一下比赛数据的下载流程，点击阿里云天池平台的链接----------阿里云账号登陆----------参加比赛-----------下载数据-----------开始数据挖掘之旅
大赛以“地铁乘客流量预测”为赛题，参赛者可通过分析地铁站的历史刷卡数据，预测站点未来的客流量变化，帮助实现更合理的出行路线选择，规避交通堵塞，提前部署站点安保措施等，最终实现用大数据和人工智能等技术助力未来城市安全出行。
大赛开放了20190101至20190125共25天地铁刷卡数据记录，共涉及3条线路81个地铁站约7000万条数据作为训练数据（Metro_train.zip），供选手搭建地铁站点乘客流量预测模型。训练数据（Metro_train.zip）解压后可以得到25个csv文件，每天的刷卡数据均单独存在一个csv文件中，以record为前缀。如2019年1月1日的所有线路所有站点的刷卡数据记录存储在record_2019-01-01.csv文件中，以此类推。同时大赛提供了路网地图，即各地铁站之间的连接关系表，存储在文件Metro_roadMap.csv文件中供选手使用。
测试阶段，大赛将提供某天所有线路所有站点的刷卡数据记录，选手需预测未来一天00时至24时以10分钟为单位各时段各站点的进站和出站人次。
为帮助选手测试算法性能的鲁棒性，本次新人赛一共开放了A、B、C三个赛道：
A赛道：提供2019年1月28日的刷卡数据（testA_record_2019-01-28.csv），需对2019年1月29日全天各地铁站以10分钟为单位的人流量进行预测。
B赛道：提供2019年1月26日的刷卡数据（testB_record_2019-01-26.csv），需对2019年1月27日全天各地铁站以10分钟为单位的人流量进行预测。
C赛道：提供2019年1月30日的刷卡数据（testC_record_2019-01-30.csv），需对2019年1月31日全天各地铁站以10分钟为单位的人流量进行预测。
竞赛数据表结构
如图：
步骤一：数据预处理
（一）数据清洗：
数据清洗是指发现并纠正数据文件中可识别的错误的最后一道程序，包括检查数据一致性，处理无效值和缺失值等。与问卷审核不同，录入后的数据清理一般是由计算机而不是人工完成。
数据清洗(Data cleaning)– 对数据进行重新审查和校验的过程，目的在于删除重复信息、纠正存在的错误，并提供数据一致性。
数据清洗从名字上也看的出就是把“脏”的“洗掉”，指发现并纠正数据文件中可识别的错误的最后一道程序，包括检查数据一致性，处理无效值和缺失值等。因为数据仓库中的数据是面向某一主题的数据的集合，这些数据从多个业务系统中抽取而来而且包含历史数据，这样就避免不了有的数据是错误数据、有的数据相互之间有冲突，这些错误的或有冲突的数据显然是我们不想要的，称为“脏数据”。我们要按照一定的规则把“脏数据”“洗掉”，这就是数据清洗。而数据清洗的任务是过滤那些不符合要求的数据，将过滤的结果交给业务主管部门，确认是否过滤掉还是由业务单位修正之后再进行抽取。不符合要求的数据主要是有不完整的数据、错误的数据、重复的数据三大类。数据清洗是与问卷审核不同，录入后的数据清理一般是由计算机而不是人工完成 。
-------百度百科
数据清洗是一项复杂且繁琐的工作，同时也是整个数据分析过程中最为重要的环节。
空值和缺失值的处理
#使用isnull()和notnull()函数都能判断数据集中是否存在空值和缺失值
#查看是否存在空值和缺失值，使用isnull()
#这里只以杭州地铁站1月3日三条线路所有站点的刷卡数据记录为例
代码：
如图：
全为false，说明没有一个空值或缺失值，说明天池挑战赛提供的数据很干净
#查看是否存在空值和缺失值，使用notnull()
代码：
如图：
#全为true，说明没有一个空值或缺失值，说明天池挑战赛提供的数据很干净
#如果出现缺失值的话，可以使用dropna()和fillna()方法对缺失值进行填充，不过这里用不到
重复值的处理
#数据中出现了重复值，大多数情况下需要进行删除，拿这次的杭州市乘客地铁刷卡记录来说，它的时间点是唯一的，不可能同一个乘客在相同的时间点【如2019/01/11 01：11】有两条甚至是三条相同的记录出现，他搭一次车是不可能出现多条记录的,除非记录系统出现漏洞，当然重复是指每一项的数值都相同，所以这次数据清洗要是出现重复的话，就要处理重复值了
#Pandas提供duplicated()和drop_duplicated()方法处理重复值
duplicated()用来标记是否有重复值，drop_duplicated()用于删除重复值
#查看是否有重复值
代码：
如图：
所有的标记都显示为false。说明没有重复值，不需要再处理，提供的数据没有问题，记录系统没有出错
异常值的处理
#异常值是指样本中的个别值，其数值明显偏离它所属样本的其余观测值，这些数值是不合理的或错误的，需要进行处理
#检查一组数据中是否有异常值，常用3Q原则和箱型图
#3Q原则是基于正态分布的数据监测【数据要满足正态分布】，这里不做详细介绍，箱型图没有严格的要求，可以检测任意一组数据，下面用箱型图进行处理
箱型图介绍
开始检测异常值
代码：
如图：
从绘制出的箱型图可以看出没有没有出现离散点，说明这次大赛提供的数据很规范干净，没有出现异常值 #这里我们需要分组显示箱形图，比如数据中有的来自1号站点、有的来自于2号站点，有的来自3号站点
以stationID进行分组，然后绘制箱形图
代码：
如图：
#这个结果有些看不懂，可能是分组项选的不太合适
这里我们也需要分组显示箱形图，比如数据中有的来自A线路、有的来自于B线路，有的来自C线路 #以lineID进行分组，然后绘制箱形图
代码：
如图：
从上面箱型图可以看出deviceID这一列的所有数据没有离散点，其他三列绘出的图看不出什么，但也没有离散点，也说明数据很干净
异常值的处理【由于前面的操作没有出现异常值，这里只作介绍】
更改数据类型
比赛提供的数据的类型很规范，这里不做转换，了解就好
（二）数据合并【轴向.关键值】
#轴向堆叠数据
concat函数是在pandas底下的方法，可以将数据根据不同的轴作简单的融合
开始轴向堆叠数据
#读取1月3号到1月5号这三天的表数据
#相同字段的表首尾相接，开始合并三张表
#代码：
如图：
主键合并数据
由于提供的所有表的字段值都相等，主键都相同，没有合并的必要，只介绍一下
（三）数据重塑
重塑层次化索引
#我觉得这样做意义不大，就介绍一下
（四）数据转换
离散化连续数据
#这里只作简单介绍
步骤二：数据聚合与分组计算
分组与聚合的原理
Pandas通过groupby()方法将数据拆分成组
数据读取：
开始读取杭州地铁站三条线路所有站点的刷卡数据记录【1月1日到1月25日】
杭州地铁站1月1日三条线路所有站点的刷卡数据记录
程序：
import pandas as pd
import numpy as np
#读取杭州地铁站三条线路所有站点的刷卡数据记录【1月1日到1月25日】
#读取杭州地铁站1月1日三条线路所有站点的刷卡数据记录
file_path = open(‘C:/Users/任重文/Downloads/阿里云学习资料/天池挑战赛数据-预测地铁站人流量/Metro_train/record_2019-01-01.csv’)
file_data = pd.read_csv(file_path)
file_data
如图：
从读取到的数据可以看出，刷卡数据记录包括刷卡时间，乘客所在线路，搭车站点，刷卡设备号，刷卡状态【有或没有刷卡】，客户ID【一列字符串】，支付类型【有三种】
#杭州地铁站1月2日三条线路所有站点的刷卡数据记录
import pandas as pd
import numpy as np
读取杭州地铁站1月2日三条线路所有站点的刷卡数据记录
file_path = open(‘C:/Users/任重文/Downloads/阿里云学习资料/天池挑战赛数据-预测地铁站人流量/Metro_train/record_2019-01-02.csv’)
file_data = pd.read_csv(file_path)
file_data
如图：
#杭州地铁站1月3日三条线路所有站点的刷卡数据记录
import pandas as pd
import numpy as np
#读取杭州地铁站1月3日三条线路所有站点的刷卡数据记录
file_path = open(‘C:/Users/任重文/Downloads/阿里云学习资料/天池挑战赛数据-预测地铁站人流量/Metro_train/record_2019-01-03.csv’)
file_data = pd.read_csv(file_path)
file_data
如图：
照这个模式可以读出剩下22天三条线路所有站点的刷卡数据
#由于这次的数据量太大，个人数据分析能力低下，只以1月3日的数据为例
开始数据分组
读取lineID这一列，只取唯一值
代码：
import pandas as pd
import numpy as np
file_path = open(‘C:/Users/任重文/Downloads/阿里云学习资料/天池挑战赛数据-预测地铁站人流量/Metro_train/record_2019-01-03.csv’)
file_data = pd.read_csv(file_path)
#创建一个DataFrame对象，该对象只有一列列数据:lineID[线路ID]
new_df = pd.DataFrame({‘lineID’:file_data[‘lineID’].unique()})
new_df
如图：
通过读取lineID一列的唯一值可以看出有三条地铁线路
这里读取的时候和数据库读表有些类似，也可以根据要求读表，也可以将记录分组，排序等等
按lineID这一列将数据进行分组，并统计每个分组的数量
代码：
import math
import pandas as pd
import numpy as np
file_path = open(‘C:/Users/任重文/Downloads/阿里云学习资料/天池挑战赛数据-预测地铁站人流量/Metro_train/record_2019-01-03.csv’)
file_data = pd.read_csv(file_path)
#按“lineID”列将file_data进行分组，并统计每个分组的数量
groupy_area = file_data.groupby(by=‘lineID’).count()
groupy_area
如图：
按“userID”一列从大到小排列
代码：
import math
import pandas as pd
import numpy as np
file_path = open(‘C:/Users/任重文/Downloads/阿里云学习资料/天池挑战赛数据-预测地铁站人流量/Metro_train/record_2019-01-03.csv’)
file_data = pd.read_csv(file_path)
#按“lineID”列将file_data进行分组，并统计每个分组的数量
groupy_area = file_data.groupby(by=‘lineID’).count()
groupy_area
#按“userID”一列从大到小排列
groupy_area.sort_values(by=[‘userID’], ascending=False)
如图：
#可以从图表中看出，B站点的人流量最大，A站点最小，B站点越容易发生人流拥堵问题
按stationID这一列将数据进行分组，并统计每个分组的数量
代码：
如图：
按“userID”一列从大到小排列
代码：
如图：
#从上图数据可以看出，15号站点人流量最大，容易发生交通人流拥堵问题，74号站点人流量最少
按deviceID这一列将数据进行分组，并统计每个分组的数量
代码：
如图：
按“userID”一列从大到小排列
代码：
如图：
#可以看出，474号设备的刷卡数最多，3130号设备的刷卡数最少
数据聚合
开始聚合，按照lineID分组，求每个分组的平均值
代码：
如图：
#开始聚合，按照stationID分组，求每个分组的平均值
代码：
如图：
开始聚合，按照deviceID分组，求每个分组的平均值
代码：
如图：
开始聚合，按照lineID分组，求每个分组的最大，最小值
代码：
如图：
代码：
如图：
步骤三：数据可视化
数据可视化概述：
Matplotlib—绘图制表
用hist（）函数绘制直方图
代码：
如图：
绘制散点图
代码：
如图：
绘制带有核密度估计曲线的直方图
代码：
如图：
通过jointplot()函数创建多面板图形
代码：
如图：
绘制二维直方图
代码：
如图：
绘制核密度估计图形
代码：
如图：
出现的问题及总结：
问题一：数据读取–杭州地铁站1月1日三条线路所有站点的刷卡数据记录时出现问题，如图：
解决方案：csdn查找，发现是写文件路径的时候不规范，直接从电脑上打开文件的地方复制的地址占到程序里是错误的
正确的文件路径应该是这样的，举例：
window 读取文件可以用\，但是在字符串中\是被当作转义字符来使用，所以’d:\a.txt’会被转义成’d:\a.txt’这是正确路径，所以不会报错。而‘C:\Users\FrankYuan\Pictures\Camera Roll\WIN_20161010_08_51_57_Pro.jpg ’中经过转义之后可能就找不到路径的资源了，例如\t可能就转义成tab键了。
#‘\xxx\xxx\xx’是错误的，应该是’/xxx/xxx/xxx’，改完之后成功执行，如图：
问题二：绘制箱型图查看数据中是否有异常值时出现错误，如图：
解决方案：网上查找，发现没有引用matplotlib.pyplot模块,相关语句也没有写对如再画图前还有配置画板这一步，正确操作后，成功出现结果，如图：
解决方案：
问题三：用hist（）函数绘制直方图时出现错误，如图：
解决方案：检查代码，发现hist写成his了，重新运行，成功执行，如图：
