近年来，共享经济热潮遍及全球，其中最成功的项目就是共享单车。‘共享’为我们的生活提供了极大的便利，同时也不可避免的出现资源不足或过剩的情况，如共享单车的企业采取合适的单车投放量成为重中之重。本篇文章以kaggle上的项目-共享单车需求量预测，讨论如何更加准确地预估单车需求量。项目链接如下：Bike Sharing Demand | Kaggle

一. 提出问题

结合数据集中天气、温度、日期等因素，预测华盛顿不同时间段的共享单车需求量。

二. 理解数据

使用pandas.read_csv方法读取数据集，查看其前五行，可以看到数据集拥有12个标签：

datetime：时间（年-月-日 时：分：秒）

season：季节（1：春天，2：夏天，3：秋天，4：冬天）

holiday：节假日（0：否，1：是）

workingday：工作日，即这一天既不是法定节假日也不是周末（0：否，1：是）

weather：天气（1：晴天，2：阴天，3：小雪或小雨，4：大雨，冰雹或雷暴

temp：实际温度（摄氏度）

atemp：感受温度（摄氏度）

humidity：湿度

windspeed：风速

casual：未注册用户租借数量

registered：注册用户租借数量

count：总租借数量

观察数据，我们可以发现，count = casual + registered，即租借量等于注册用户租借量加上未注册用户租借量。我们可以考虑在之后的分析删除casual、registered这两列。

三. 数据清洗

我们看一下训练数据的总体情况，数据整洁并且无缺失数据，属于比较理想的原始数据：

四. 特征工程

1.把时间数据转为年月日小时星期几的新特征

考虑到数据较为简洁整齐，目前只需要对时间做处理，需要将datetime离散化处理：

2. 数据关系探索

从图形可视化中，我们可以看出：1.温度对共享单车用量呈现上升趋势，在30-35摄氏度时达到使用量峰值，而后急剧下降；2.湿度对共享单车使用量有着明显的影响，湿度为20-25时共享单车用量最多，之后随着湿度增大，单车用量下降；3.每天的8时、17时和18时均为共享单车用车高峰期，可推测是因为上下班高峰期用车量剧增；4.共享单车使用量从1月份开始逐步上升，到6月达到较为平稳，10月份后逐步下降。

以上便是共享单车数据集的描述统计内容，之后基于分析的基础，使用随机森林算法，对共享单车使用量展开预测。