analysis-of-bikeshare-data

使用Pandas对芝加哥、纽约市和华盛顿特区的共享自行车数据进行一个简单的分析

自行车共享数据

在过去十年内，自行车共享系统的数量不断增多，并且在全球多个城市内越来越受欢迎。自行车共享系统使用户能够按照一定的金额在短时间内租赁自行车。用户可以在 A 处借自行车，并在 B 处还车，或者他们只是想骑一下，也可以在同一地点还车。每辆自行车每天可以供多位用户使用。

由于信息技术的迅猛发展，共享系统的用户可以轻松地访问系统中的基座并解锁或还回自行车。这些技术还提供了大量数据，使我们能够探索这些自行车共享系统的使用情况。

在此项目中，使用 Motivate 提供的数据探索自行车共享使用模式，Motivate 是一家入驻美国很多大型城市的自行车共享系统。比较以下三座城市的系统使用情况：芝加哥、纽约市和华盛顿特区。

数据集

有三座城市 2017 年上半年的数据。三个数据文件都包含相同的核心六 (6) 列：

• 起始时间 Start Time（例如 2017-01-01 00:07:57）

• 结束时间 End Time（例如 2017-01-01 00:20:53）

• 骑行时长 Trip Duration（例如 776 秒）

• 起始车站 Start Station（例如百老汇街和巴里大道）

• 结束车站 End Station（例如塞奇威克街和北大道）

• 用户类型 User Type（订阅者 Subscriber/Registered 或客户Customer/Casual） 芝加哥和纽约市文件还包含以下两列：

• 性别 Gender

• 出生年份 Birth Year

问题

主要处理以下关于自行车共享数据的问题：

• 起始时间（Start Time 列）中哪个月份最常见？
• 起始时间中，一周的哪一天（比如 Monday, Tuesday）最常见？ 提示：可以使用 datetime.weekday() （点击查看文档）
• 起始时间中，一天当中哪个小时最常见？
• 总骑行时长（Trip Duration）是多久，平均骑行时长是多久？
• 哪个起始车站（Start Station）最热门，哪个结束车站（End Station）最热门？
• 哪一趟行程最热门（即，哪一个起始站点与结束站点的组合最热门）？
• 每种用户类型有多少人？
• 每种性别有多少人？
• 出生年份最早的是哪一年、最晚的是哪一年，最常见的是哪一年？

文件

• bikeshare.py
• chicago.csv
• new_york_city.csv
• washington.csv