深圳市共享单车数据分析、热力图展示【文末附共享单车数据集清单】

目前最新的共享单车公开数据可能只有深圳市政府数据开放平台[1]发布的共享单车企业每日订单表了，数据量包含2017-04-03到2021-08-30的 2.4 亿条数据，总计约 24G 大小：

《深圳共享单车企业每日订单表》在数据库中情况

深圳真不愧是改革先行者，公开的数据量如此庞大。

如此大量的数据，肯定不能直接下载。直接下载的文件仅包含本数据集的前 10 万条数据。

每条数据包含的字段：

深圳数据开放平台也提供调用数据接口的方式进行下载：

数据接口（APIs） 是现代编程的基础，可以通过多种编程语言和工具实现。JavaScript、Python等多种编程语言和工具都可以调用 Api。

每种方法都有其特定的使用场景和优势。选择哪种方法取决于你的项目需求、所用技术栈以及个人或团队的熟悉程度。例如，如果你正在开发一个 Web 应用，JavaScript 可能是最直接的选择；如果是企业级后端系统，Java 或 C#可能更合适。对于脚本或自动化任务，Python 或 Shell 命令可能是最简单的方法。

我们选用简洁性、受欢迎的 Python 来进行数据获取，使用的方法是requests库，或者可以使用http.client或第三方库如aiohttp（异步请求）。 具体调用说明见网站[2]上的【调用说明】。

如此庞大的数据我们肯定不能全保存在 Json 或者 csv 文件中，对于共享单车订单分析这样的大数据量场景（2.7 亿条数据），我们需要选择合适的数据库。

订单数据包括时间序列和地理空间数据，因此需要一个既能高效处理大规模数据集，又支持时间和空间查询的数据库。

以下是一些推荐的数据库选项：

1. PostgreSQL + PostGIS 扩展:

• PostgreSQL 是一个强大的开源关系数据库系统。
• 通过 PostGIS 扩展，它可以有效处理地理空间数据。
• 支持复杂的查询和索引，适合时间序列和空间数据。

1. MongoDB[3]:

• MongoDB 是一个灵活的 NoSQL 文档数据库。
• 它支持地理空间索引和查询。
• 更适合快速开发和水平扩展。

另外根据我对数据库的熟悉情况，我选择MongoDB来储存我的数据库。

所以我们只需要用 Python 写一个requests请求，然后将数据储存到数据库。

花了一点时间（实际在我的树莓派上静静地跑了一天程序）之后，获取了全部 24G 的数据。

若有按时间获取数据的需求，可通过增加 startDate 和 endDate 参数对数据进行筛选。你可以

接下来简单来探索下深圳市共享单车服务的使用情况。

这次先取一天——2021 年 8 月 5 号的数据。

将坐标统一为 GPS 坐标后我们进行简单的可视化，如下图，每个红色点代表一个共享单车的出发点：

这天的订单数据共计超过一百万条，并且每条数据包含订单的开始和结束的时间以及经纬度信息，当然其中有很多离群值，需要进一步筛选，也就是数据清洗。

由于没有提供开关锁的状态，无法从订单状态筛选数据，通过观察发现可以从订单的距离、平均速度、起终点是否在深圳市进行数据清洗。

我直接删除了订单距离为 0 米以及订单距离大于 40km 的数据，总的数据量从 1158199 减少到 1132736。

我们用这部分数据进行共享单车的使用模式分析，还能结合空间分布，进行一定程度的空间数据分析。

所以，我们的先对数据进行描述，可以重点关注了骑行时间、骑行次数、以及骑行距离的分布情况。

一、数据描述

1.骑行时间分布

观察共享单车的使用时间，我们发现了城市生活的节奏。早晚高峰时段的数据高峰，不仅反映了上下班的人潮，还揭示了车辆分配和维护的最佳时机。

这张图是一个柱状图，显示了 2021 年 8 月 5 日深圳市共享单车订单在 24 小时内的分布情况。横轴代表一天中的小时（从 0 点到 23 点），纵轴代表订单数量。

从图中可以观察到，在早上的某个时段（8 点左右）有一个明显的订单数量峰值，大家开始上班了。随后的几个小时内，订单数量逐渐下降，直到下午时段（16 点到 17 点之间）订单数量再次上升，形成第二个高峰，这可能与人们下班的时间相对应。到了晚上，订单数量逐渐减少，直到深夜时段达到最低点。

这样的分析有助于共享单车运营商了解用户的使用模式，从而更有效地调配车辆，确保在需求高峰时有足够的车辆可供使用。

2.骑行次数与地点

通过统计不同区域的骑行次数，我们绘制出了城市的热力图。

将热力图保存为 html 网页，此网页有 30M 大小，在线访问速度可能很慢，想要的可以关注微信公众号“renhai-lab”发送“深圳共享单车热力图 1”获取网页的下载链接。

热力图演示

3.出行距离分布

出行距离分布

这张图包含了四个子图，它们显示了不同规模的数据分布情况。每个子图都有一个 X 轴，表示“骑行距离（米）”，和一个 Y 轴，表示“概率”。这些图似乎是概率密度函数（PDF）的图形表示，每个子图覆盖不同的骑行距离范围，展示了共享单车骑行距离的分布情况。

在这些子图中，可以观察到随着骑行距离的增加，概率逐渐下降，这表明短距离骑行的频率较高。这是符合预期的，因为人们通常倾向于使用共享单车进行短途出行。随着距离的增加，选择骑行的用户可能会减少，从而导致概率下降。这些图可能用于分析骑行距离的典型值，从而帮助共享单车公司优化他们的车辆分布和调度策略。

以上仅为一部分数据分析工作，我们还可以绘制平均出行时间图、交通小区之间的出行量、共享单车的起点-终点图（OD 图），例如绘制全市 OD 图获取、单个站点的 OD 图，例如下图是上海某日共享单车到达某地铁站点衔接图——图源自《交通时空大数据分析、挖掘与可视化(Python版)[15]，描述的是同济大学地铁站周边共享单车换乘地铁的分布图。

今天先写到这，此文章会在我的博客[16]更新，可以点击阅读原文[17]访问。

如果你对本文章有什么意见、对如何制作文中的图表感兴趣、或者有其它任何问题可以在博客的评论区留言，或者通过微信公众号发送私信给我。

共享单车公开数据清单

1.深圳市共享单车企业每日订单表

数据简介：深圳市政府数据开放平台[22]发布的共享单车企业每日订单表了，数据量包含 2.4 亿条数据。

时间：2017-04-03到2021-08-30

链接：https://opendata.sz.gov.cn/data/dataSet/toDataDetails/29200_00403627

数据预览：

搜索数据的时候发现有人已经整合过了：以内容下由微信公众号【立方数据学社】发表在【数据分享】8 个城市的共享单车数据（数据量约 10 亿条\免费获取），本文选了国内的城市，国外的数据可以访问原文查看。

2.上海市的摩拜单车数据

时间： 2016年8月

数据简介： 和鲸社区用户分享的共享单车数据，包括上海市2016年8月的摩拜单车数据，共十万余条。数据链接为：https://www.heywhale.com/mw/dataset/5d315ebbcf76a60036e565bf

数据字段： 订单编号、车辆编号、用户编号、起始时间、起始位置、结束时间、结束位置、轨迹。

3.北京市摩拜数据（摩拜杯算法挑战赛）

数据简介：2017 摩拜算法挑战赛公布的共享单车数据，包括北京市 2017 年 5 月两周之内 40 余万共享单车被 30 多万用户使用的情况，包括 300 余万条出行记录。数据链接为：https://www.biendata.xyz/competition/mobike/data/

数据字段：订单号、用户 ID、车辆 ID、车辆类型、骑行起始日期时间、骑行起始区块位置、骑行目的地区块位置

4.厦门市共享单车数据

数据简介：2021 数字中国创新大赛公布的厦门市 2020 年 12 月 21 日-2020 年 12 月 25 日五天的共享单车轨迹数据。数据链接为：https://data.xm.gov.cn/contest-series/digit-china-2021/index.html#/3/competition_data

数据字段：共享单车 ID、定位时间、经度（WGS84 坐标）、纬度（WGS84 坐标）、共享单车来源

参考资料

[1]

深圳市政府数据开放平台: https://opendata.sz.gov.cn/

[2]

网站: https://opendata.sz.gov.cn/data/api/toApiDetails/29200_00403627

[3]

MongoDB: https://www.mongodb.com/

[4]

交通时空大数据分析、挖掘与可视化(Python版): http://www.baidu.com/link?url=R4RQ5Tny7VHR4oagI4Ap5yRHVy8okwXT5U-zBfquwJRnsvKsjgZnBKm50Mzbeo9XtElGnZUchLCWsPyfLmEUz_

[5]

我的博客: https://cdn.renhai-lab.tech/

[6]

阅读原文: https://cdn.renhai-lab.tech/archives/共享单车数据分析

[7]

我的博客: https://cdn.renhai-lab.tech/

[8]

我的 GITHUB: https://github.com/renhai-lab

[9]

我的 GITEE: https://gitee.com/renhai-lab

[10]

我的知乎: https://www.zhihu.com/people/Ing_ideas

[11]

深圳市政府数据开放平台: https://opendata.sz.gov.cn/

[12]

深圳市政府数据开放平台: https://opendata.sz.gov.cn/

[13]

网站: https://opendata.sz.gov.cn/data/api/toApiDetails/29200_00403627

[14]

MongoDB: https://www.mongodb.com/

[15]

交通时空大数据分析、挖掘与可视化(Python版): http://www.baidu.com/link?url=R4RQ5Tny7VHR4oagI4Ap5yRHVy8okwXT5U-zBfquwJRnsvKsjgZnBKm50Mzbeo9XtElGnZUchLCWsPyfLmEUz_

[16]

我的博客: https://cdn.renhai-lab.tech/

[17]

阅读原文: https://cdn.renhai-lab.tech/archives/共享单车数据分析

[18]

我的博客: https://cdn.renhai-lab.tech/

[19]

我的 GITHUB: https://github.com/renhai-lab

[20]

我的 GITEE: https://gitee.com/renhai-lab

[21]

我的知乎: https://www.zhihu.com/people/Ing_ideas

[22]

深圳市政府数据开放平台: https://opendata.sz.gov.cn/