Kaggle：纽约的士旅程数据简要分析

会员服务 ·

Kaggle：纽约的士旅程数据简要分析

2017 年 11 月 7 日 R语言中文社区 colacola

作者：colacola，R语言中文社区专栏作者。知乎专栏：https://www.zhihu.com/people/colacola-40/posts

前言

本文数据来自于kaggle一个还在进行中的playground级别竞赛，公众号后台回复“的士”下载数据集。

选用train.csv中145万余条的数据记录进行相关数据分析的基础练习，使用工具为R。

参考该项目下Kernels中一些大神的思路方法，我会在这里分享代码和一些图表展示。

总述

先看看官方给出的这145万余条数据的字段信息描述：

id - a unique identifier for each trip
vendor_id - a code indicating the provider associated with the trip record
pickup_datetime - date and time when the meter was engaged
dropoff_datetime - date and time when the meter was disengaged
passenger_count - the number of passengers in the vehicle (driver entered value)
pickup_longitude - the longitude where the meter was engaged
pickup_latitude - the latitude where the meter was engaged
dropoff_longitude - the longitude where the meter was disengaged
dropoff_latitude - the latitude where the meter was disengaged
store_and_fwd_flag - This flag indicates whether the trip record was held in vehicle memory before sending to the vendor because the vehicle did not have a connection to the server - Y=store and forward; N=not a store and forward trip
trip_duration - duration of the trip in seconds

一共11个字段，其中包括上下车时间、上下车经纬度、旅程时长、乘客人数、数据记录发送类别（储存发送还是直接发送）、数据提供者的id编号

正文

#用到的包

library(dplyr)
library(lubridate)
library(data.table)
library(geosphere)
library(ggplot2)
library(gridExtra)

第一部分：数据的基本概况和处理

#1.数据读取

train <-tbl_df(fread("train.csv"))

由于数据量较大，使用fread函数进行读取，并转化为tbl对象类型

#2.数据的基本情况

class(train)

glimpse(train)

summary(train)

可以看到：
（1）上下车时间为chr类型，需转化为时间类型
（2）vendor_id有可能不是1就是2，是不是可以把这个字段理解为出租车公司的编号（公司1、公司2）
（3）旅程时长最长的为3526282秒，我的天，将近41天？？

（4）乘客数目的中位数为1，平均数为1.665，可以先推测一下，是不是单人打车的情况最多见？

#3.看看有没有缺失值####

sum(is.na(train))

这简直是个福音，没有缺失值的数据集是多么的可爱

#4.把上下车时间、出租车公司的ID、乘客数改一下字段类型

train <- train %>%
 mutate(pickup_datetime = ymd_hms(pickup_datetime),
        dropoff_datetime = ymd_hms(dropoff_datetime),
        vendor_id = factor(vendor_id),
        passenger_count = factor(passenger_count))

#5.trip_duration和上下车时间计算出来的数据是否一致

train %>%
 mutate(check = abs(int_length(interval(pickup_datetime,dropoff_datetime)) 
- trip_duration) == 0) %>%  
 select(check,pickup_datetime,dropoff_datetime,trip_duration) %>%
 group_by(check) %>%
 count()

可以看到，时长和上下车时间计算出来的结果保持一致

#6.添加一些字段

#（1）从上车时间可以提取出星期几、月份、时段，添加这三个字段

train <- train %>%
 mutate(weekday = wday(pickup_datetime,label = TRUE),
        month = month(pickup_datetime,label = TRUE),
       hour = hour(pickup_datetime))

#（2）从上下车经纬度可以整合出两点之间的距离(km)，除去路程时长，可以得出速度，添加这两个字段

pickuplocation <- train %>%
 select(pickup_longitude,pickup_latitude)
dropofflocation <- train %>%
 select(dropoff_longitude,dropoff_latitude)

#距离，单位为km

train <- train %>%
 mutate(distance = distHaversine(pickuplocation,dropofflocation)/1000)

#速度，单位km/h

train <- train %>%
 mutate(speed = distance/trip_duration*3600)

注意，这里的距离使用的是distHaversine函数计算得出两点的最短距离，该距离建立在haversine模型上得出，这里就不深入讨论了，有兴趣的朋友可以自行google

第二部分数据可视化展示（单字段）

经过第一部分对原始数据简单的了解及处理，进行相对应的数据可视化展示，先单独看看各个字段的数据情况：

（1）观测vendor_id的情况

p1 <- train %>%
 ggplot(aes(vendor_id,fill = vendor_id)) +
 geom_bar() +
 theme(legend.position = "null")

发现和之前的假设相同，只有两种情况，且vendor_id为2的情况比vendor_id为1的情况多了10W条左右

（2）#观测上车、下车时间的分布情况;组合对比一下

p2 <- train %>%
 ggplot(aes(pickup_datetime)) +
 geom_histogram(bins = 250,fill="orange")
p3 <- train %>%
 ggplot(aes(dropoff_datetime)) +
 geom_histogram(bins = 250,fill="skyblue")
p23 <- grid.arrange(p2,p3,nrow =2)

发现：
（1）所有的打的记录都在1-6月份
（2）大体上看去整个分布还是比较均匀的，但是在1月底2月初之间出现了一个很明显的回落趋势，来放大这个区间看看情况：

大概是23-25号之间，打车记录的数目出现了一个很明显的下降，打的作为一项平日里很稀松平常的事情，每日的订单量应该是相对平均的，这是为什么呢？
是那几天出租车涨价？还是类似于停电一小时的活动，呼吁不打的活动？还是天灾人祸？
google一下，答案是暴！风！雪！

（3）看看乘客数量的一个分布

p4 <- train%>%
 ggplot(aes(passenger_count,fill = passenger_count)) +
 geom_bar() +theme(legend.position = "null") +
 scale_y_sqrt()

发现：
（1）单人打车的情况最多，在145万多条的记录中，有100W+是单人打车的情况
（2）出现了乘客为0的打的记录

（3）原来美国出租车还可以坐四个以上的乘客，而且5、6名乘客情况还不少，中国的的士有可以坐4个以上乘客的吗？

（4）看看记录是否第一时间发送服务器的情况分布

p5 <- train %>%
 ggplot(aes(store_and_fwd_flag,fill = store_and_fwd_flag)) +
 geom_bar() +theme(legend.position = "null") + scale_y_log10()

可以看到not a store and forward trip的情况要占大多数

（5）看看旅行时长的分布

p6 <- train %>%
 ggplot(aes(trip_duration)) +
 geom_histogram(bins = 10000,fill="red") + coord_cartesian(x=c(1,6000))

看出，主要的时长还是集中在1000秒左右，即15分钟这样，当然还有一些时间非常短或则特别长的情况发生

（6）接下来按时间分布来观测下打车情况，哪个时段打车多？星期几出租车最忙？

#看看每天打的数量的分布\趋势

p7<- train %>%
 group_by(weekday) %>%
 count() %>%
 ggplot(aes(weekday,n,group=1)) +
 geom_line(size=1.5,color="lightblue") +
 geom_point(size=1.5,shape =17)

#看看每月打的数量的分布\趋势

p8<- train %>%
 group_by(month) %>%
 count() %>%
 ggplot(aes(month,n,group=1)) +
 geom_line(size=2,color="lightblue") +
 geom_point(size=2,shape =17)

#看看每个时段打的数量的分布\趋势

p9<- train %>%
 mutate(hour= hour(pickup_datetime)) %>%
 group_by(hour) %>%
 count() %>%
 ggplot(aes(hour,n)) +
 geom_line(size=2,color = "lightblue") +
 geom_point(size=2,shape=17)

p789 <- grid.arrange(p7,p8,p9,ncol=1)

看来
（1）NYC的出租车最忙的时间集中在周五、周六
（2）3-5月份打的的人最多，和旅游旺季有一定关系吗？

（3）对于每天而言，还是符合我们的日常认识的，0-5点打车的人越来越少，到了晚上，嗯，call a taxi ，get high!

（7）看看路程距离\速度的分布，组合

p10 <- train %>%
 ggplot(aes(distance)) +
 geom_histogram(bins = 4000,fill="red") +coord_cartesian(x=c(0,30))
p11 <- train %>%
 ggplot(aes(speed)) +
 geom_histogram(bins = 3000,fill="orange") +coord_cartesian(x=c(0,100))
p1011 <- grid.arrange(p10,p11,ncol=1)

发现：
（1）主要的路程距离集中在1-3公里这个范围内
（2）行驶的速度集中在13-15km/h，我的天！这么堵？

第三部分数据可视化展示（组合字段）

接下来，试着组合一些字段进行可视化的展示，看看还能得出什么信息

（1）看一下7个weekday不同时段的打车情况、6个月每个时段的打车情况，组合一下

p12 <-train %>%
 group_by(weekday,hour) %>%
 count() %>%
 ggplot(aes(hour,n,color=weekday)) +
 geom_line(size=2) +
 scale_color_brewer(palette = "Set1")
p13 <- train %>%
 group_by(month,hour) %>%
 count() %>%
 ggplot(aes(hour,n,color=month)) +
 geom_line(size=2) +
 scale_color_brewer(palette = "Set2")
p1213 <- grid.arrange(p12,p13,nrow=2)

看出：
（1）周六、周日凌晨，打车的情况会比其他工作日多不少，而周日深夜时段打车的数量是一周7天中最少的，收收心，第二天上班？
（2）正常工作日，早上打的的数量明显要比周末来的多，符合出行规律

（3）第二张图，除了看出3月份打车情况比其它月份来的多，除此并没有其它大的区别

（2）按乘客数目分组，看看旅行时长的分布

p14<- train %>%
 ggplot(aes(passenger_count,trip_duration,color=passenger_count)) +
 geom_boxplot() +
 scale_y_log10() +
 theme(legend.position = "null")

除去数据量很小的0、7、8、9几个类别外，

好像，并看不出什么...看来并不会因为乘客数量的多少而影响时长

（3）看看是否第一时间储存记录和vendor_id的关系

p14 <- train %>%
ggplot(aes(vendor_id,fill=store_and_fwd_flag)) +
 geom_bar(position = "dodge")

可以看出，vendor_id为2的情况下，是没有store and forward trip的情况的

总述

这是在kaggle上学习后的第一篇实践输出，也参考了不少其它大神的代码和思路，主要是对R中dplyr、lubirdate、ggplot2包实战使用进行练习记录。

深深感觉到自己的缺陷与不足，不能进行更深入系统的数据分析。

希望认识更多学习数据分析的朋友，欢迎留言，感谢点赞。

最后，路漫漫其修远兮，平常心！

公众号后台回复关键字即可学习

回复 R              R语言快速入门免费视频
回复统计          统计方法及其在R中的实现
回复用户画像   民生银行客户画像搭建与应用
回复大数据      大数据系列免费视频教程
回复可视化   利用R语言做数据可视化
回复数据挖掘   数据挖掘算法原理解释与应用
回复机器学习   R&Python机器学习入门