爱数科案例 | 共享单车使用量回归建模与分析

共享单车是指企业在校园、地铁站点、公交站点、居民区、商业区、公共服务区等提供自行车单车共享服务，是一种分时租赁模式，是一种新型绿色环保共享经济。

本案例使用K近邻回归算法对共享单车使用量进行回归预测。所采用的数据集是共享单车使用量数据集，该数据集共有16个字段，731条数据，记录了不同日期、节假日、天气条件下的共享单车使用情况。

本案例通过数据可视化、数据字段统计、数据预处理以及构建K近邻回归模型实现了较为良好回归预测性能。

1. 读取共享单车数据表

首先，读取数据集，该数据集是共享单车使用量数据集，其中包含了 731 条共享单车使用信息，每一条共享单车使用信息包含单车使用的日期（具体日期、季节、年份、月份、节假日是否为工作日等）和当日的天气信息（温度、湿度、风速等）。此外，记录当日单车使用总量的字段cnt=未注册用户使用量casual+注册用户使用量registered。

2. 各字段缺失值检测

对各个数据字段进行缺失值检测，并选择过滤缺失值，结果如下：

从结果来看，数据非常完整，各字段均无缺失值，不需要对其进行处理。

3. 各字段重复值检测

接下来对各个数据字段进行重复值检测，结果如下：

检测到的重复行数为：0

无重复行，返回原数据表

数据无重复值，不需要进行去重处理。

4. cnt字段异常值检测

对目标字段cnt进行异常值检测，查看单日共享单车使用量有无不合理的情况。结果如下：

检测到的异常值行数为：0

得到数据输出预览：

cnt字段无异常值，认为数据表中的共享单车使用量信息没有超出合理范围。

5. 各字段基本统计信息

对各个数据字段统计基本信息，数值型字段会统计样本数量、均值、标准差、最大最小值和上下四分位数等，字符型字段会统计样本数量、不同取值个数、众数以及众数的频数等。

可以看出，所有字段中，只有dteday为字符型字段，其余均为数值型字段。可以看到，日期相关的字段，如season、yr、mnth、holiday、weekday、workingday和天气字段weathersit的最大最小值、中位数、上下四分位数均为整数，结合数据集详情页的统计信息可以判断，这些字段都是离散型数值。我们可以在后期进行编码处理，方便进行建模。

6. 单车使用量折线图

接下来绘制cnt字段的折线图，观察随着时间的变化，共享单车的使用量的变化趋势。

从图中可以看出， 在2011年夏天和2012年夏天，共享单车使用达到年度高峰，符合人们夏天出行骑单车较冬天多的常识。

7. 温度箱线图

绘制温度箱线图，温度的单位为，由于数据集本身经过计算，所以大体分布在0~1之间，转化为摄氏度即大致温度变化范围为-17.8度~26.7度。

从箱线图可以看出，温度分布的集中在33华氏度~65华氏度（0摄氏度~18.3摄氏度），是维度较高地区的正常温度范围。

8. 季节饼状图

绘制季节饼状图。可以看出，四个季节的样本数量大体相当，没有出现某一季节样本量过多或者过少的情况

9. 离散型数值字段OneHot编码

对在各字段基本统计信息提到的几个离散型数值字段（season、yr、mnth、holiday、weekday、workingday和weathersit）进行OneHot编码，消除这些字段中数据大小差异所带来的影响。

OneHot编码后的数值字段添加在原数据表之后。

10. 训练/测试集划分

对数据集进行划分，设置划分比例为训练集 : 测试集 = 4 : 1。

11. 构建K近邻回归模型

构建K近邻回归模型，将cnt作为模型的标签列，其余各字段中，除dteday、causal和registered字段外，其他字段作为模型的特征列。

模型参数选择时，设置计算的邻居个数为8，权重计算方式为distance，以及设置距离计算方式为manhattan距离（街区距离）。

12. K近邻回归模型预测

使用模型预测组件对K近邻回归模型进行测试集上的预测，预测后的标签为cnt_predict。

13. K近邻回归模型评估

对K近邻回归模型进行评估。主要的指标选择均方误差（MSE）、平均绝对误差（MAE）、决定系数（R2）和中位绝对误差。

可以看到，我们构建的K近邻回归模型的回归预测效果良好，其中最重要的指标决定系数（R2）= 0.833，可以认为我们的K近邻回归模型能较好的对共享单车使用量情况进行预测。