サンフランシスコのレンタサイクルのデータを見てみる（基本統計量、python、pandas、ヒストグラム）

edX UCバークレー データサイエンス基礎講座（Foundation of Data Science）の演習です。

サンフランシスコ ベイエリアのレンタサイクル "Ford Go Bike"の利用状況を把握する。

• 利用時間の傾向、分布
• よく使われているステーション
• ステーションの地図の可視化

今回はこのうち、利用時間の傾向・分布を見て見ます。

サンフランシスコ ベイエリア　レンタサイクル　Ford Go Bike
システムデータ

使用するデータは上記システムデータの2017年tripdata(https://s3.amazonaws.com/fordgobike-data/2017-fordgobike-tripdata.csv)にします。

・インポート

import numpy as np
import pandas as pd

import matplotlib
import matplotlib.pyplot as plt

データ読み込み（データが118MBと大きいため、一旦ダウンロードしてから読み込んでいます）

trips = pd.read_csv('tripdata.csv')
trips.head()

	duration_sec	start_time	end_time	start_station_id	start_station_name	start_station_latitude	start_station_longitude	end_station_id	end_station_name	end_station_latitude	end_station_longitude	bike_id	user_type	member_birth_year	member_gender
0	80110	2017-12-31 16:57:39.6540	2018-01-01 15:12:50.2450	74	Laguna St at Hayes St	37.776435	-122.426244	43	San Francisco Public Library (Grove St at Hyde...	37.778768	-122.415929	96	Customer	1987.0	Male
1	78800	2017-12-31 15:56:34.8420	2018-01-01 13:49:55.6170	284	Yerba Buena Center for the Arts (Howard St at ...	37.784872	-122.400876	96	Dolores St at 15th St	37.766210	-122.426614	88	Customer	1965.0	Female
2	45768	2017-12-31 22:45:48.4110	2018-01-01 11:28:36.8830	245	Downtown Berkeley BART	37.870348	-122.267764	245	Downtown Berkeley BART	37.870348	-122.267764	1094	Customer	NaN	NaN
3	62172	2017-12-31 17:31:10.6360	2018-01-01 10:47:23.5310	60	8th St at Ringold St	37.774520	-122.409449	5	Powell St BART Station (Market St at 5th St)	37.783899	-122.408445	2831	Customer	NaN	NaN
4	43603	2017-12-31 14:23:14.0010	2018-01-01 02:29:57.5710	239	Bancroft Way at Telegraph Ave	37.868813	-122.258764	247	Fulton St at Bancroft Way	37.867789	-122.265896	3167	Subscriber	1997.0	Female

duration_secで利用時間（秒）、借りたステーション、返したステーションなどの情報が入っています。今回はこのうち、duration_sec、start_station_name、end_station_nameだけを使います。

・必要な列の選択、列名の更新

duration= trips[["duration_sec","start_station_name","end_station_name"]]
duration=duration.rename(columns={'duration_sec': 'Duration','start_station_name': 'Start Station','end_station_name':"End Station"})
duration.head() 

	Duration	Start Station	End Station
0	80110	Laguna St at Hayes St	San Francisco Public Library (Grove St at Hyde...
1	78800	Yerba Buena Center for the Arts (Howard St at ...	Dolores St at 15th St
2	45768	Downtown Berkeley BART	Downtown Berkeley BART
3	62172	8th St at Ringold St	Powell St BART Station (Market St at 5th St)
4	43603	Bancroft Way at Telegraph Ave	Fulton St at Bancroft Way

必要な3つの列のみを取り出し、renameで列名（columns）を変更しました。

・並べ替え

duration.sort_values(by=["Duration"],ascending=False).head()

	Duration	Start Station	End Station
138862	86369	San Pedro Square	San Pedro Square
223508	86355	Folsom St at 19th St	Central Ave at Fell St
54888	86325	Mosswood Park	Mosswood Park
54889	86281	Mosswood Park	Mosswood Park
120423	86252	Downtown Berkeley BART	Telegraph Ave at Alcatraz Ave

利用時間が大きい順に並べ替えしてみました。sort_valuesで値で並べ替え、byで並べ替える項目を、ascending=Falseで降順（値の大きい順）を指定しています。ascendingをTrueまたは省略すると、昇順（値の小さい順）での並べ替えになります。

利用時間の最大値は86369秒、約1日となっています。

・利用時間のヒストグラムを描く

duration.hist("Duration")

単純に利用時間の全データでヒストグラムを描いてみると、ほぼ10000秒（約170分）未満だけのグラフになってしまいました。

・基本統計量を見る。

duration.describe()

Duration
count	519700.000000
mean	1099.009521
std	3444.146451
min	61.000000
25%	382.000000
50%	596.000000
75%	938.000000
max	86369.000000

describeで基本統計量をまとめて表示できます。

count：データ数 519700件
mean：平均値 約1099秒
std：標準偏差 3444
min：最低値 61秒
25%：25%タイル値 382秒
50%：50%タイル値＝中央値 596秒
75%：75%タイル値 938秒
max：最大値 86369秒

最大利用時間が86369秒（約1日）なのに対し、中央値は596秒（約10分）。75%タイル値も938秒（約15分）でほとんどが短時間の利用になっているようです。

・パーセンタイル

duration["Duration"].quantile(.90)

1502.0

quantileでタイル値を表示します。.90で90%タイル値です。1502秒未満の利用が90%を占めています。

・範囲指定でヒストグラムを描く

duration.hist("Duration",range=(0,2000))

約1500秒未満の利用が90%を占めているので、2000秒までの分布を見てみます。rangeで範囲を0以上、2000未満に設定してヒストグラムを描きました。利用時間は500秒あたりにピークがあって、その後は減っていってるようです。

・分割数（bin）を指定してヒストグラムを描く

duration.hist("Duration",range=(0,2000),bins=60)

binsで分割数を60に指定してヒストグラムを描いてみました。約400秒の利用が最も多く、その後は徐々に減っていく、右のすそが長い分布となりました。

レンタサイクル "Ford to go"の料金プランを見てみると、1回利用が30分以内で$2（追加の15分は$3）、1日（24時間）利用が$10になっています。

Ford to go 料金プラン
https://www.fordgobike.com/pricing

利用時間の分布から見ると、ほとんどが1回利用で30分（1800秒）以内に返却していて、1日利用は少ないようです。10分以下の利用が多くなっていて、近場での移動に使っているようです。1回利用で30分を過ぎてしまった利用者もそれなりにいるように見えます。

つづく

参考：
edx UC Berkeley Foundations of Data Science(UCバークレー データサイエンス基礎講座）
ttps://www.edx.org/professional-certificate/berkeleyx-foundations-of-data-science
Computational Thinking with Python（pythonによるプログラミング的思考）
https://www.edx.org/course/foundations-data-science-computational-uc-berkeleyx-data8-1x

サンフランシスコ ベイエリア　レンタサイクル　Ford Go Bike
https://www.fordgobike.com/
システムデータ
https://s3.amazonaws.com/fordgobike-data/index.html

プログラミング学習：edx UCバークレー データサイエンス基礎講座の紹介(python)
https://eneprog.blogspot.com/2018/04/edx-uc-python.html
プログラミング学習：pandasでweb上の表を取得する。（python）
https://eneprog.blogspot.com/2018/04/pandaswebpython.html プログラミング学習：各国の女性の平均就学期間をグラフ化する。（python,pandas） https://eneprog.blogspot.com/2018/05/pythonpandas.html


追伸：edX UC Berkley Foundations of Data Scienceの最初の講座（Computational Thinking with Python)は終了し、2番目のInferential Thinking by Resamplingが2018年5月22日から開始になります。