Kaggle Bike Sharing Demand 데이터 분석

https://www.kaggle.com/c/bike-sharing-demand/data 의 데이터를 사용

데이터 분석에 필요한 라이브러리와, 경로 지정.
Data Fields는 다음과 같다.
datetime - hourly date + timestamp
season - 1 = spring, 2 = summer, 3 = fall, 4 = winter
holiday - whether the day is considered a holiday
workingday - whether the day is neither a weekend nor holiday
weather - 1: Clear, Few clouds, Partly cloudy, Partly cloudy
2: Mist + Cloudy, Mist + Broken clouds, Mist + Few clouds, Mist
3: Light Snow, Light Rain + Thunderstorm + Scattered clouds, Light Rain + Scattered clouds
4: Heavy Rain + Ice Pallets + Thunderstorm + Mist, Snow + Fog
temp - temperature in Celsius
atemp - "feels like" temperature in Celsius
humidity - relative humidity
windspeed - wind speed
casual - number of non-registered user rentals initiated
registered - number of registered user rentals initiated
count - number of total rentals

import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
import missingno as msno
#한글 폰트 설정, 축이나 라벨에 표시되는 -기호 깨짐 방지
plt.rc('font', family='Malgun Gothic')
plt.rc('axes', unicode_minus=False)

train = pd.read_csv("위치")
test = pd.read_csv("위치")
submission = pd.read_csv("위치.csv")

train 데이터 프레임의 헤더를 확인해보면, 다음과 같다.

train.head()

train과 test의 datetime의 type이 object임으로 datetime으로 변경해주었다.

train['datetime'] = pd.to_datetime(train['datetime'])
test['datetime'] = pd.to_datetime(test['datetime'])

train의 결측치를 확인해보면 다음과 같다.
datetime 0
season 0
holiday 0
workingday 0
weather 0
temp 0
atemp 0
humidity 0
windspeed 0
casual 0
registered 0
count 0
dtype: int64
없는것으로 확인된다.

기초통계량을 확인해보면

datetime을 보면, 년 월 일 시간으로 구성되어 있는데, 추이를 분석하기에는 년과 월만 따로 column을 생성해줘도 충분할 거 같다.

train['year'] = train['datetime'].dt.year
train['month'] = train['datetime'].dt.month
test['year'] = test['datetime'].dt.year
test['month'] = test['datetime'].dt.year

train.head()

년도별로 비교해보면 다음과 같다.

sns.barplot(data = train, x='year', y='count')

2011년보다 2012년의 자전거 대여 수요가 더 많았다.

그렇다면, 월별로는 어떨까? 해당년도의 월별로 관찰하기 위해, 위에서 year와 month로 나눠준것을 다시 year-month라는 column을 새로 생성하기로 하였다.

train['year-month'] = train['year'].astype(str) + '-' + train['month'].astype(str).str.zfill(2)
해당코드를 사용하니 시각화 과정중, dataframe이 아니라서 생기는 문제가 발생했다 그래서 코드를 다음과 같이 수정
train['year-month'] = pd.to_datetime(train['year'].astype(str) + '-' + train['month'].astype(str),
format='%Y-%m').dt.strftime('%Y-%m')

이를 시각화해보면2011년에서 2012까지 전체적으로 증가하는 추세라는 것을 파악할 수 있다.

plt.figure(figsize=(20,5))
sns.barplot(data=train,x='year-month',y='count', palette='pastel')

월별로 다시 확인해보면, 12월~3월 가장 추운 기간동안, 수요가 감소하는것으로 보인다.

sns.barplot(data=train,x='month',y='count', palette='pastel')

train 자체 계절로 확인해보면, 봄에 가장 수요가 적은것으로 보인다.
(*1~3월 봄, 4~6 여름, 7~9 가을, 10~12 겨울 -> 변경이 필요해보임)

sns.barplot(data=train,x='season',y='count', palette='pastel')

temp에 따른 그럼 변화가 꽤 있을까? 를 보면, 연속형 변수라 오류막대가 길게 나오기도 하고, 정확한 분석은 아닌거 같다. (humidity, windspeed도 마찬가지라 뒤에서 다시 분석하겠다.)

plt.figure(figsize=(30,4))
sns.barplot(data=train,x='temp',y='count', palette='pastel')

평일과, 휴일에 따라 큰 변동이 있을줄 알았는데, 그렇지는 않았다.

sns.barplot(data=train,x='workingday',y='count', palette='pastel')

시간대 별로 파악을 위해 hour이라는 column을 추가해주고, 이를 시각화 해보면 출퇴근 시간에 가장 많은 수요가 있는것으로 파악된다.

train['hour'] = train['datetime'].dt.hour
sns.pointplot(data=train, x='hour', y='count')

그렇다면, 휴일과 평일과 시간대 수요는 차이가 있을까?
휴일과 평일 시간대에 따른 수요차이를 시각화 해보면, 휴일에는 가장 활동량이 많은 낮에 수요가 많고, 평일에는 역시 출,퇴근 시간대가 가장 많은것으로 보인다.

sns.pointplot(data=train, x='hour', y='count', hue='workingday', palette='pastel')

날씨에 따른 시간대별 수요를 파악해보면, 역시 날씨가 좋을수록 높은 추세이며, 2번날씨까지는 큰 영향을 안받는거 같다. (심한 비가와도 누군가는 퇴근하고 싶어서 자전거를 탄 모양이다..)

#weather - 1: Clear, Few clouds, Partly cloudy, Partly cloudy
#2: Mist + Cloudy, Mist + Broken clouds, Mist + Few clouds, Mist
#3: Light Snow, Light Rain + Thunderstorm + Scattered clouds, Light Rain + Scattered clouds
4: Heavy Rain + Ice Pallets + Thunderstorm + Mist, Snow + Fog 
sns.pointplot(data=train, x='hour', y='count', hue='weather', palette='pastel')

주요 요인이 될 변수들의 시각화는 이정도면 된거 같고, 그렇다변 변수간의 상관관계는 어떻게 될까?

corr_train = train[["temp", "atemp", "humidity", "windspeed", "casual", "registered", "count"]]
corr_train.corr()
sns.heatmap(corr_train.corr(), annot=True)

생각보다, temp, windspeed와 humidity의 영향을 받는것으로 보여서, 이들 값의 분포를 확인해보면, windspeed의 경우에 결측값이 없던 이유가 아마 0으로 값이 대체된거 같다. 그치만 과연 낮은 바람의 속도가 자전거 수요에 영향을 끼쳤을까?는 잘 모르겠다.

해당 Kaggle의 discussion을 참고해도 비슷한 맥락이다.
https://www.kaggle.com/competitions/bike-sharing-demand/discussion/10431

fig, (ax1, ax2, ax3) = plt.subplots(1, 3, figsize=(12, 5))

sns.regplot(data = train, x='temp', y='count', ax = ax1)
sns.regplot(data = train, x='windspeed', y='count', ax = ax2)
sns.regplot(data = train, x='humidity', y='count', ax = ax3)