Python数据分析：数据可视化实战教程( 二 ) 本文的文字及图片来源于网络,仅供学习

#接下来，我们通过相关系数的大小来依次对特征进行可视化分析#首先，列出相关系数矩阵：df.corr()corrdf = Bikedata.corr()corrdf
文章插图
#各特征按照与租赁总量count的相关系数大小进行排序corrdf['count'].sort_values(ascending=False)count1.000000registered 0.966209casual 0.704764hour 0.405437temp 0.385954atemp 0.381967year 0.234959month 0.164673season 0.159801windspeed_rfr 0.111783windspeed 0.106074weekday 0.022602holiday 0.002978workingday -0.020764weather -0.127519humidity -0.317028Name: count, dtype: float64可见，特征对租赁总量的影响力为：
时段>温度>湿度>年份>月份>季节>天气>风速>工作日>节假日
对特征逐项分析
首先对时段进行分析

第一步

提出问题：租赁总量对应湿度的变化趋势
适合图形：因为湿度属于连续性数值变量，我们可以选择折线图反应变化趋势

第二步

转换数据：我们需要一个二维数据框，按照温度变化排序，取对应的三个租赁数的平均值
应用函数：直接应用plt的plot函数即可完成折线图

figure,axes = plt.subplots(1,2,sharey=True)#设置一个1*2的画布 ， 且共享y轴workingday_df.plot(figsize=(15,5),title='The average number of rentals initiated per hour in the working day',ax=axes[0])nworkingday_df.plot(figsize=(15,5),title='The average number of rentals initiated per hour in the nworking day',ax=axes[1])

文章插图

第三步：设置参数

figure,axes = plt.subplots(1,2,sharey=True)#设置一个1*2的画布 ， 且共享y轴workingday_df.plot(figsize=(15,5),title='The average number of rentals initiated per hour in the working day',ax=axes[0])nworkingday_df.plot(figsize=(15,5),title='The average number of rentals initiated per hour in the nworking day',ax=axes[1])

可以看出：

在工作日，会员出行对应两个很明显的早晚高峰期，并且在中午会有一个小的高峰，可能对应中午外出就餐需求；
工作日非会员用户出行高峰大概在下午三点；
工作日会员出行次数远多于非会员用户；
在周末，总体出行趋势一致，大部分用车发生在11-5点这段时间，早上五点为用车之最。

对温度进行分析

第一步

【Python数据分析：数据可视化实战教程】提出问题：租赁总量对应湿度的变化趋势
适合图形：因为湿度属于连续性数值变量，我们可以选择折线图反应变化趋势

第二步

转换数据：我们需要一个二维数据框，按照温度变化排序，取对应的三个租赁数的平均值
应用函数：直接应用plt的plot函数即可完成折线图

第三步

参数设置：只需要设置折线图的标题，其他参数默认

temp_df = Bikedata.groupby(['temp'],as_index='True').agg({'count':'mean','registered':'mean','casual':'mean'})temp_df.plot(title = 'The average number of rentals initiated per hour changes with the temperature')