随着智能手机的普及和手机用户的激增，共享单车作为城市交通系统的一个重要组成部分，以绿色环保、便捷高效、经济环保为特征蓬勃发展。共享单车企业通过在校园、公交站点、居民区、公共服务区等提供服务，完成交通行业最后一块“拼图”，与其他公共交通方式产生协同效应。共享单车有助于缓解城市短距离交通出行和“最后一公里”难题，但共享单车由于其运营特点，对企业在城市投放和调度单车的规划管理方面，存在较大挑战。

基于上述背景，本文基于上海摩拜单车的2016年8月份随机抽样大约10万条的开放订单数据进行分析，挖掘出数据背后的规律，用数据勾勒出摩拜共享单车的使用与用户出行现状，从而有助于摩拜共享单车企业更好地推出营销策略，定位新单车的投放区域，调控车辆布置，更好地服务用户。

注：本项目的数据、代码和图表可戳：摩拜共享单车数据分析项目数据、代码、图表 下载

这一步中我们统观数据的全貌，对数据有个大体的了解，对数据进行质量探索和特征分析。

读取数据并查看数据集数据

该数据集为摩拜共享单车企业提供的上海城区2016年8月随机抽样的10万多条用户骑行用车数据（订单数据），包含交易编号、用户ID、车辆ID、骑行起点经纬度、骑行终点经纬度、租赁时间、还车时间、骑行轨迹经纬度等数据。

查看数据集属性类型，在这里我们可以看出租赁时间和还车时间的数据类型为object类型，我们紧接着可以把它转化为datetime类型

查看数据集的空值分布情况，数据不存在空值

该数据集虽然多达10万多条用车交易数据，但每一条用车交易数据里只有10个特征，并且该数据集和之前的电影数据集不同，之前的电影数据集每一个特征都是独立的信息字段，不和其他特征产生明显关联，而该数据集的特征之间拥有明显的相关性，我们可以通过关联组合特征之间的关系得到新的特征，或者从一个特征反映出来的多个方面组合出多个新的特征扩充数据集，掌握事物的多个方面，挖掘出数据更多潜在的规律，从而使得后面的数据分析可以进行更多维度的分析，得到对数据的更多认识。

如何发现新特征：

租赁时间 + 还车时间 => 骑行时长

新增“lag”列，通过开始时间 - 结束时间计算得到骑行时长，并把时长单位统一为分钟。

骑行起点经纬度 + 骑行终点经纬度 => 骑行的位移

新增“distance”列，通过计算骑行起点和终点的经纬度得到骑行的位移,单位为千米。

geodistance()封装的是通过两点经纬度求两点直线距离的数学公式。对背后公式的推导过程和数学原理感兴趣的可以戳 https://blog.csdn.net/sunjianqiang12345/article/details/60393437 了解。

摩拜单车骑行轨迹经纬度 => 骑行的路径

新增“adderLength”列，通过计算“track”列数据得到骑行路径。

把骑行轨迹字符串按“#”分隔符分隔成列表，得到骑行轨迹的经纬度信息列表 通过不断两两轮询该骑行轨迹列表，每一次按顺序取出两个列表元素（前轨迹采样点的经纬度和后轨迹采样点的经纬度）按“,”分隔符分隔，得到四个值（前轨迹采样点的经度、前轨迹采样点的纬度、后轨迹采样点的经度、后轨迹采样点的纬度），组合成一个item字典传入给geodistance()计算出两点的位移，再把每一小段每一小段的位移累加起来得到骑行的路径。

租赁时间 => 星期几 + 时间段（24小时制）

新增“weekday”（即每笔骑行订单发生在星期几）和“hour”（即每笔订单发生在一天24小时的哪个时间段）

骑行时长 => 订单金额

新增“cost”列，根据每笔订单的骑行时长，粗略估计订单金额，参照2016年摩拜收费标准，按每30分钟收取1元。

订单金额 => 用户分级（RFM模型）

由于我们拥有了每笔交易的用户id、消费金额、消费时间，我们可以考虑运用RFM模型，对用户进行分级，这里采取的模型是RFM模型。

RFM模型是进行用户价值细分的一种方法，是用以研究用户的数学模型。

这3个维度，帮助我们把用户划分为标准的8类 其模型构建过程可分为如下步骤：

R值：即每个用户最后一次租赁共享单车时间距9月1日多少天；（因为数据集只包含2016年8月份的数据，所以我们站在9月1的时间节点上统计每个用户最近一次消费距离现在的时间）

F值：即每个用户累计租赁单车频次；

M值：即每个 用户累积消费金额；

在这一步中我们给每个用户的RFM值打分，分值的大小取决于我们的偏好，RFM值越高，其RFM得分也越高。RFM模型中打分一般采取5分制，这里采取根据RFM值的区间划分，进行RFM分值的设置。

现在r_score、f_score、m_score在1-5几个数之间，如果把这3个值进行组合，像111，112，113…这样可以组合出125（5 * 5 * 5）种结果，但过多的分类和不分类本质上是差不多的，所以在划分用户维度这一块，我们简化分组结果。我们通过判断每个客户的R、F、M分数是否大于其平均值，来简化分组结果。每个客户的RFM值和RFM平均值对比后只有0和1（0表示小于平均值，1表示大于平均值）两种结果，整体组合下来共有8个分组（2 * 2 * 2）。

至此，RFM模型会把用户划分为标准的8类，其8类所对应的含义如下 把得到的用户分类结果按用户ID拼接到原有数据中，命名为“user_class”列

骑行起点终点经纬度 => 骑行起点终点所处的区块

在这一步中我们把骑行起点终点的经纬度转换为GeoHash编码字符串。

GeoHash将二维的经纬度转换成GeoHash编码字符串，每一个字符串代表了某一矩形区域。这个矩形区域内所有的点（经纬度坐标）都共享相同的GeoHash字符串。GeoHash本质上是一个哈希函数，但和其他的一些哈希函数会尽力避免哈希碰撞不一样，GeoHash根据经纬度范围把不同的经纬度哈希碰撞到同一字符串。

Geohash能够提供任意经纬度的分段级别，一般分为1-12级。Geohash编码字符串越长，表示的区域范围越精确，GeoHash编码字符串长度所对应的区块范围。 针对摩拜共享单车的短途骑行特点，我们选择GeoHash6位编码进行转换。

在转换之前需要安装geohash

并去python/Lib/site-packages/的目录下，把Geohash文件夹重命名为geohash，然后修改该目录下的init.py文件，把from geohash改为from .geohash，然后才能正常导入（这是个bug）。

查看一下转换后的GeoHash编码字符串

查看扩充后的数据集

查看扩充后的数据集并保存

扩充后的数据集增加了如下信息字段：

lag（骑行时长）、distance（骑行位移）、adderLength（骑行路径）、weekday（骑行的星期日期）、hour（骑行时间段）、cost（本次骑行的消费金额）、r_value_single（订单发起时间距离9月1日的天数）、user_class（用户分级）、geohash_start_block（骑行起点所在区块的GeoHash编码字符串）、geohash_end_block（骑行终点所在区块的GeoHash编码字符串）。

针对经数据挖掘扩充后的数据集，我们从以下维度分析：

由图表我们观察到数据存在明显的长尾，呈现右偏态分布（正态分布和偏态分布都是正常现象，为什么数据呈现偏态分布？因为人们使用共享单车出行这一行为本身就含有“偏心”，倾向于短期出行）；x轴的数据范围非常大，造成这样的结果有一部分是由于数据存在异常记录，由图表x轴的数据范围跨度，我们观察到有存在骑行时长长达955分的骑行记录，而连续骑行955分以上显然是不正常的，这样的数据记录可能是用户骑行忘记关锁造成的。

针对数据中骑行时长数据存在异常的处理，我们考虑新增骑行速度“speed”一列（骑行路径 / 骑行时长），通过大致剔除骑行速度存在明显异常（骑行速度一般在12-20km/h）的记录而去除掉用户骑行后忘记关锁造成的异常记录。然后再重新绘制直方图观察骑行时长的数据分布情况。

如图所示，长尾明显减弱 如图所示，用户的每次骑行时间多集中分布在30分钟之内，我们可以针对这骑行时长分布情况，多多推出30分钟左右的时间满减优惠券。

由图可以看出：

23-5点这段时间，人们大多在休息，使用共享单车出行的订单数很少；6点开始，订单数逐渐开始增多；在7-9点、17-20点上下班时段，出现订单数的小高峰，分别是早高峰和晚高峰；11-14点时段，出现局部午高峰，这和中午外出就餐或者休息时间活动有一定关系。

整体趋势表明，共享单车的骑行交通在很大程度上是服务于人们的通勤出行的。

上面计算的24小时骑行订单数的分布情况忽略了工作日和非工作日的区别，而工作日和非工作日人们的通勤出行情况是有所不同的，那么在工作日和非工作日，骑行订单数的24小时分布情况分别是什么样的呢？

绿色柱状表示工作日内每小时平均订单量的分布。同上述每小时总订单量分布情况相似：23-5点这段时间，使用共享单车出行的订单数很少；6点开始，订单数逐渐开始增多；在7-9点、17-20点上下班时段，出现订单数的小高峰，分别是早高峰和晚高峰；11-14点时段，出现局部午高峰。

紫色柱状为非工作日内每小时平均订单量的分布。非工作日骑行交通以非通勤交通为主，与工作日的分布情况比较，分布相对平缓，没有明显的早晚高峰现象。

骑行距离分布图粗略显示出主要的骑行距离大概集中在3千米左右的范围内。但也存在远距离甚至40公里以上的骑行，可考虑为异常数据；或者可以理解为其他特殊的骑行现象。对数据剔除异常值，首先我们得先识别出异常值。在统计学中，常常用箱型图来判断异常值，箱型图无需对数据进行正态分布要求，适用范围广。而在用箱型图识别异常值之前，我们需要先认识下箱型图。

箱形图因为形状类似一个箱子而得名，它主要用于反映原始数据分布的特征，还可以进行多组数据分布特征的比较。通过箱形图可以很直观的读出一组数据的最大值（上外限）、最小值（下外限）、中位数Q2、上四分位数Q3、下四分位数Q1、异常值（上内限之外和下内限之外的值）。注意图中的上限和下限指的是上内限和下内限，而在绘制箱型图中常常只有上外限（最大值）和下外限（最小值）被显示出来，但我们可以通过公式Q3 + 1.5*IQR计算上内限，通过公式Q1-1.5 * IQR计算下内限。

通过箱型图上下内限划分异常值的数学原理如下：以正态分布为例，假如一组数据服从正态分布， X落在（μ-3σ,μ+3σ）以外的概率小于千分之三，在实际问题中常认为相应的事件是不会发生的（异常值），基本上可以把区间（μ-3σ,μ+3σ）看作是随机变量X实际可能的取值区间，这称之为正态分布的“3σ”（3 sigma）原则。而箱型图的上下内限范围恰好处在（μ-3σ,μ+3σ）之间，由此可以判断处在箱型图上下内限之外的数据为异常值。

我们绘制箱型图，快速判断共享单车的骑行距离数据中的异常值，从而快速去除其异常值。 由图我们观察到绘制出来的箱形图的箱体很扁和下须线非常短，这说明骑行距离的数据按从小到大排序的分布的前75%是十分集中的；而上须线非常长，这说明整个数据集的范围跨度很大，后25%的数据分布十分分散。这一规律也在上面的条形图中反映了出来。

通过图表的提示弹框，我们知道了此箱型图的分布情况：Q1下四分位数3.76、Q3上四分位数12.27，从而计算出IQR四分位距为8.51，上内限为：25.035，下内限为负，我们不予考虑。处于上内限以外的数据是异常值。所以我们考虑把骑行距离大于25.035千米的都视为异常数据，做一层过滤，再绘制骑行距离分布图，从而更清晰地观察骑行距离的分布。

加上地理位置后整理出的单车紧缺地区名单（一部分）如图 单车紧缺地区的名单数据包含的数据分别是经度、纬度、某地被骑走的自行车总数、某地寄放的自行车总数、某地缺少的自行车数值以及地名。

整理出单车紧缺地区的名单，我们需要把单车紧缺的地区在地图上标点，绘制地理位置散点图，在这一步中我们采用的是folium。folium是python的一个用来绘制地图，并在地图上打点，画圈，做颜色标记的工具类，使用folium可以制作漂亮的，动态交互的地图。folium还支持交互，比如鼠标点击的地方显示需要展示的内容等等。

安装folium模块命令：

folium默认绘制的是世界地图，我们也可以指定一个坐标（经纬度），来进行地图中心点初始化，因为是针对上海的摩拜单车数据分析，所以这里指定的是上海中心地标[31.233705, 121.471632]。

上海人民广场

注意：

换成

单车紧缺的地区名单已在上面统计了出来，接下来我们需要统计有空闲单车聚集的地区，其统计思路和上面找出单车紧缺的地区，从而确定新单车的投放地点基本一致。

整理出的有空闲单车聚集地区名单（一部分）如图 接下来我们需要在地图上对单车紧缺和空闲地区进行标点，仍然是采用folium来绘制地理位置散点图。

上海中心点

地点:{}

地点:{}

红点：代表紧缺摩拜共享单车的地点，绿点：代表有摩拜共享单车富余的地点。

由图表我们可以观察到单车的缺少的地点和单车多余的地点，我们可以从有多余单车的地点将单车调度到缺少单车的地点。

根据RFM模型进行用户分层，从8个维度进行划分后的用户对应的用户特点如图所示 针对用户类型“user_class”进行统计，统计出各类型用户各有多少人数，绘制出条形图。

由图所示，新用户的数量位居第二，和第一名的数量相差无几，可以看出，摩拜共享单车的业绩是处于上升阶段的，我们需要对这些用户时不时推送优惠活动，建立与新用户的联系，使其向忠实用户转化；流失用户的数量位居第三，如何制定用户唤回策略也是摆在摩拜面前的一个关卡。

频次深耕用户、高消费唤回用户和重要价值流失预警用户的数量极少，这说明2016年摩拜单车还是个新企业，其用户结构还不完善。我们可以和有关官方组织合作举办公路自行车马拉松比赛，成为比赛赞助商，提供自行车比赛车辆，从而吸引参赛者更多使用摩拜单车，提高摩拜单车品牌知名度，稳固用户结构。

各个类型用户的平均消费金额如下 从图中可以看到重要价值用户的平均消费金额位居第一，但其用户数量却仅居第四，与前两名还有一段差距，我们需要采取营销策略提高这部分用户的数量，这类用户的用户特点是最近购买、高频、高消费，说明其对共享单车的使用需求高，我们可以在比如工业区等企业聚居密集、居民区等用车频繁的区域投放单车，扩大消费潜力用户的数量。