New York City Taxi Trip Duration纽约出租车大数据探索（报告版）

一、项目说明
该项目来源于Kaggle，旨在建模来预测纽约出租车在行程中的总行驶时间。
在建模预测的过程中，我们可以顺便探索纽约市民打车出行习惯及其他有效信息。
附kaggle项目链接 https://www.kaggle.com/c/nyc-taxi-trip-duration/overview

【注】CDSN博客编辑器体验不佳，本文排版格式失效且图片丢失。
如需美观及完整，敬请移步知乎专栏。链接：https://zhuanlan.zhihu.com/p/65488432

本文原定内容结构说明：
1、先参考简书帖子《纽约出租车大数据探索》完成一部分探索，帖子没有源代码，所以我会根据帖子思路，自行写出代码。帖子网址 https://www.jianshu.com/p/1da53849a314
2、按照帖子文末提出的可以进一步拓展的探索方向，自行深入探索。
3、kaggle比赛目标之预测行程持续时间，另外再开帖子叙述。本文不赘述。

本文分析的技术实现过程，已发布至个人CDNS博客，详见：
《【Python】New York City Taxi Trip Duration纽约出租车大数据探索（技术实现过程）》
https://blog.csdn.net/weixin_44216391/article/details/90115972

二、探索分析
帖子的结构为五部分：
1、提出问题— 2、理解数据— 3、数据清理— 4、数据分析— 5、得出结论
（一）、提出问题（根据已有数据分析）
（1）何时为打车需求高发期？
（2）居民夜生活活跃情况？
（3）城市一天的什么时候最为拥堵？
（4）什么时间容易接到长途单？
（二）、理解数据（表单说明）
id - 每次行程的唯一ID
vendor_id - 行程提供者的ID
pickup_datetime - 上车的日期和时间
dropoff_datetime - 停表的日期和时间
passenger_count - 车辆中的乘客数量（驾驶员输入值）
pickup_longitude - 上车的经度
pickup_latitude - 上车的纬度
dropoff_longitude - 下车经度
dropoff_latitude - 下车的纬度
store_and_fwd_flag - 行程记录是否为存储转发（或是直接发送）-- Y =存储和转发 N =没有存储
trip_duration - 行程持续时间（秒）
（三）、数据清理
详见对应的技术实现帖子：
《【Python】New York City Taxi Trip Duration纽约出租车大数据探索（技术实现过程）》
https://blog.csdn.net/weixin_44216391/article/details/90115972
基本确定，数据比较完整。看Kaggle官网也说了，因为是playground项目，所以已经把数据cleaned了。
（四）、 数据分析与可视化
（1）何时为打车需求高发期？
（2）居民夜生活活跃情况？
（3）城市一天的什么时候最为拥堵？
（4）什么时间容易接到长途单？
分析一：何时为打车需求高发期？
分析所需数据维度：新增月标识、周标识、日标识、时间点标识（详见技术帖）
分析所用到的工具：seaborn可视化、map/apply函数、datetime、lambda、groupby、reset_index()、rename、plt.subplot、sns.swarmplot、sns.boxplot、sns.stripplot等。
1、整体趋势分析
见下图：
从趋势来说，2016年1~6月整体打车时长一直呈增长状态，可能用户逐渐习惯了更远距离也打车，也可能是，路面行驶的车辆越来越多或天气不好引发交通拥塞。
其中，3月-5月订单数量属于六个月中最高的三个月，但是整体下降趋势。1月下旬和5月底有异常点，这两天打车人数特别少，可能是当天发生了什么重大事故，或者是重大节日不出行。
从日折线图来看，忽略23号和31号两个异常点，整体订单数量随日期变化呈现规律波动，看似周期为7天（一个星期），据此推测订单数量可能与星期几有关。

2、分析异常值
从图"Date Trip Time"可以定义异常值临界点为6000，将低于6000的异常值筛选出来。找出异常的日期是1月23日，1月24日，5月30日。

分析其原因。根据当日美国新闻：
(1)美遭暴风雪袭击 纽约时报广场飞雪飘零_网易新闻
2016-1-24 · 当地时间2016年1月23日，美国纽约，美国遭遇暴雪天气，暴雪中的时报广场。
(2)阵亡将士纪念日 (5月的最后一个星期一)
中新网5月30日电 据美媒报道，美国迎来“国殇日”长周末，标志着夏季的正式开始。

3、分析订单数量可能和星期几有关
（1）下图分别为各月1-31日订单总量与乘车人数

两张图展示了在2016年1月1日至2016年6月30日这半年内，六个月1~31日的每日订单总量、每日平均乘车人数随日期的波动。
两张图（每日订单数量/乘车次数与日平均乘车人数）的趋势惊人地一致。这说明在周期的某一阶段，不仅订单数量增多，而且人们偏向于结伴出行。

（2）下图为周一至周日打车次数/订单数量

明显周日周一打车次数最低，周五至周六打车次数最高。可能周四至周六市民出行意愿更高。
另外发现,周日打车次数/订单数量在100-300区间内明显比周一至周六多，这里可能蕴含一些信息，待挖掘。

（3）下图为周一至周日乘车人数
可见，周六周日拼车人数较多。

4、分析订单数量可能和当日哪个时间点有关
（1）当日内0点至24点乘车次数/订单数量

1）全天候分析：
凌晨一点开始至凌晨五点，订单数量急剧下降，符合人群休息规律。
从早6点开始，订单量由谷底回升，早7点至早9点有一个早高峰。
在早8点到下午5点之间有轻微波动不明显。早10点和下午4点均有一个轻微的走低点。
原因推测：
① 市民上班的出行需求被公共交通、私家车等分担，不会偏好于出租车出行；
② 假设通勤时间1小时，则基本可确定八点至十点是上班时间小集中的时间段。（此结论与原贴不一致，甚至有轻微相反。）
③ 早八点和下午四点这两个时间点，人群在公司开会尚未外出（早）或已在出差公司开会还未散会（下午四点）。
2）晚高峰表现显著：
从晚6点开始订单量有大规模增长，约晚7点进入打车最高峰，且在23点之前的平均打车量均维持较高水平，高于白天时段。
原因推测：
① 相比于白天，市民在晚上外出活动时更偏向于出租车出行。有可能逐渐下班。
② 也猜测晚间时间家庭出行或约伴出行，下面通过乘车人数认证后发现该假设并不成立。
3）下午时段，四点左右出现订单量回落。
原因推测：①司机交班；②道路拥堵；③出差人群在出差公司开会还未散会下班。

（2）当日内0点至24点乘车人数
前面猜测晚间时间家庭出行或约伴出行，这里乘车人数在晚间并无明显变化，故前面猜测不成立。
反而发现凌晨2点至5点订单乘车人数较为分散，既有较多人（约伴），也有较少人（单人）的情况。
早5点-8点之间，每个订单乘车人数全日最低（boxplot比较清晰，stripplot没那么清晰，下图是stripplot），恰好又是上班时间，预计是单人上班打车情况较多。

（3）当日内0点至24点打车行程时间分布
一开始发现三个异常值干扰观察，尝试增加boxplot函数中参数y的重新赋值来忽略异常值（week_avg_trip_dur>8000）。——下图为已修正三个异常值。

白天早9点至下午5点，行车时间较长，据此可以推测白天这个时间段道路较为拥塞。
凌晨2点至5点，基本可以排除拥塞影响，行程时间长短可近似等同于距离长短。且分布在箱盒之外的长行车时间较多，据此推测：凌晨2点至5点这个时间段接到长距离行程单的机会比其他时间段多很多。

分析二：居民夜生活活跃情况？

订单数量在晚8点至凌晨1点均维持较高水平，从凌晨1点开始，订单量断崖式下跌，这一下跌持续到约早5点，早5点是一天内订单量最低的时刻。
说明纽约市民夜生活活跃情况：
（1）第一种可能：下午/晚上下班后约伴交友灯红酒绿夜夜笙歌，至凌晨1点方歇。
（2）当然，也有第二种可能是：晚晚加班。白天会议下午法定下班时间后，才是晚间工作的开始，然后陆陆续续持续到凌晨十二点/一点。
从国情看，纽约的第一种可能性高一些；而第二种则在中国一线城市发生的概率比率高一些。

分析三： 城市的一天什么时候最为拥堵？

第一个思路（如下图）：

从前面分析第一部分的“当日内0点至24点打车行程时间分布”初步推测：
白天早9点至下午5点，行车时间较长，据此可以推测白天这个时间段道路较为拥塞。
第二个思路（待挖掘）：
先通过上下车地点经纬度计算行程距离，再用行程距离/行程时间得出行车均速。行程均速可体现道路畅通拥堵程度。
该思路方法暂时搁置，容后看情况再补充。

分析四：什么时间容易接到长途单?

接单时间和订单行程时间/路程距离是否有关系呢？接下来进入分析。
前面已经绘出一日内0点至24点的平均行程时间，我们这里重新引用：

凌晨2点至5点，基本可以排除拥塞影响，行程时间长短可近似等同于距离长短。且分布在箱盒之外的长行车时间较多，据此推测：凌晨2点至5点这个时间段接到长距离行程单的机会比其他时间段多很多。

（五）数据探索结论
定位出租车司机最佳pickup时点为早7点至早9点及晚6点至晚12点。如需长途订单，可养足精神在凌晨接单。

三、总结
分析到此告一段落。当然，虽然数据量不多，但是还可以挖掘更细致的城市出行行为等信息。例如，
可以分析哪些时段的哪些区域更容易发生订单，人群一般从哪些地方去往哪些地方——这对出租调度来说是个有效数据。
从暴雪带来的异常值可以推测，天气与订单量是有密切关系的，根据日期对应天气数据，可以进一步分析天气与订单量的影响。
结合位置数据，还可以分析哪些区域受天气的影响较大，等等。