（数据情况同上文）
一.使用K-means算法，根据评分，收入，年龄对共享单车用户进行分群并初步勾画用户画像
我们希望对共享单车用户进行分类，这个分类是基于评分、收入和年龄三个属性的，并且显示分类后各类用户的基本属性。
1.首先，我们明确用K=means算法对用户进行分群
2.其次确认对用户分多少类，用肘部法则进行确认，得到图像如下
setwd("C:/Users/emera/Desktop /Shared_Bike_Sample_Data_ML")
shared_bicycle.sample.data <- read.csv(file="Shared Bike SampleData - ML.csv")
cost.df <- data.frame()
#取1-10个聚类分别计算到聚类中心距离之和
set.seed(80)
for(k in 1:10)
{
kmeans.fit <-kmeans(x=scale(shared_bicycle.sample.data[,c("月收入","年龄","分数")]),centers=k)
cost.df <- rbind(cost.df,cbind(k,kmeans.fit$tot.withinss))
#cbind按照列合并，rbind按照行合并
}
names(cost.df) <- c("k", "d2")
cost.df
library(ggplot2)
ggplot(cost.df,aes(k,d2))+
geom_point()+
xlab('聚类数目')+
ylab('到聚类中心的距离平方和(Cost)')
在下图中可以看到，肘部明显出现在聚类数目等于5处，因此确认聚类数目为5个。
3.随后我们使用kmeans()函数进行聚类分析，并可视化，得到结果如下
set.seed(10)
kmeans_cluster <- kmeans(scale(shared_bicycle.sample.data[,c("月收入","年龄","分数")]),5)
shared_bicycle.sample.data$k标签<- as.factor(kmeans_cluster$cluster)
## 可视化聚类
library(ggplot2)
library(GGally)
ggpairs(shared_bicycle.sample.data[,c("月收入","年龄","分数")], aes(colour = shared_bicycle.sample.data$k标签, alpha = 0.4))
ggplot(shared_bicycle.sample.data, aes(年龄, 月收入, color=k标签)) + geom_point()
ggplot(shared_bicycle.sample.data, aes(年龄, 分数, color=k标签)) + geom_point()
ggplot(shared_bicycle.sample.data, aes(分数, 月收入, color=k标签)) + geom_point()
可以看出从各个切面看，都进行了较好的分类。
4.我们对各类用户求分数、年龄、和收入的平均值，得到结果：
## 计算聚类结果（每个聚类的：用户数量、平均年龄、平均收入、平均打分）
library(dplyr)
shared_bicycle.sample.data %>%
group_by(k标签) %>%
dplyr::summarise(平均年龄=mean(年龄),平均月收入=mean(月收入),平均分数=mean(分数))
整理并添加标签，得到以下表格：
结合散点图和表格可以看出，满意分和收入并没有明显的关系，但是和年龄关系显著。但K-means也给出了较为合理的客户分群，对于不同收入、不同年龄的群体，运营策略肯定也需有所差别。
二.使用线性回归算法，根据年龄、城区对用户评分进行拟合，用于预估用户评分
1.首先，调用lm()函数，求得年龄、城区对分数的线性回归模型：
shared_bicycle.sample.data <- read.csv(file="Shared Bike SampleData - ML.csv")
lm_simple_fit <- lm(分数~城区+年龄,data=shared_bicycle.sample.data)
summary(lm_simple_fit)
2.从模型中，我们可以得到公式：分数=-7.59+0.46x年龄+0xδ（朝阳区）-0.08xδ（东城区）+1.43xδ（海淀区）+0.38xδ（西城区）
决定系数R^2和调整R^2分别是0.8744和0.8691，数值大于0.7，我们认为这个模型较好地拟合了城区、年龄与分数之间的关系。
根据此模型，我们可以计算根据年龄和城区大概预估分数。
3.我们相对影响因素进行排序，看哪个是最大的影像因素
因为年龄取值范围大，而城区取值只有0和1，所以要把年龄也加入强正至强负排序，则需要对其进行归一化处理
年龄归一化模型：
shared_bicycle.sample.data <- read.csv(file="Shared Bike SampleData - ML.csv")
shared_bicycle.sample.data$归一化年龄<-scale(shared_bicycle.sample.data$年龄)
lm_simple_fit <- lm(分数~城区+归一化年龄,data=shared_bicycle.sample.data)
summary(lm_simple_fit)
从统计结果中可以看到，年龄的影响因子和城区相比非常大，所以我们说年龄对评分有更大的影响。
三.使用决策树，对是否推荐者的关键节点进行分类，观察具有哪些特征的用户最有可能成为推荐者
1.我们使用决策树模型根据分数来对人群进行分类，把受访用户分为五类。在R中运行如下代码，构建决策树模型并可视化：
setwd("C:/Users/emera/Desktop/ Shared_Bike_Sample_Data_ML")
shared_bicycle.sample.data <- read.csv(file="Shared Bike SampleData - ML.csv")
library(rpart)
library(rpart.plot)
shared_bicycle.sample.data$分数
Dicision_Tree <- rpart(分数~城区+年龄+组别, data=shared_bicycle.sample.data)
rpart.plot(Dicision_Tree)
2.根据决策树的子节点，我们将人群分类如下：
我们可以明显看出，虽然输入的年龄、组别、城区三个自变量，但是通过决策树模型给出的都是按年龄判断的节点，可以看出分数和年龄的相关性非常大
四.根据以上分析，我们可以得出以下商业洞见：
根据三个分析方法，我们都发现年龄和分数有极强的正相关性，年龄高的用户更倾向于给出更高的评分。我们可以分析最极端的两个分类，21岁以下年龄段的用户和29岁以上年龄段的用户在产品的使用场景和需求上有何区别。比如是否这部分用户工作年限有限，收入更低，对价格更为敏感，因此价格的变动会更大程度地影响他们的满意程度？是否这部分用户是加班的主力军，在晚上他们在工作场所没有足够的共享单车使用？是否这个年龄段的用户对单车的要求比更为年长的年龄段的人更高，比如需要单车好看拉风等等。
