项目链接：Bike Sharing Demand | Kaggle
思路：1.认识数据
2.特征工程
3.建模并预测
首先，是一个关于自行车租赁预测的题目，Kaggle提供的训练数据是一个月前19点的使用情况，需要预测20天之后的使用情况，数据从Kaggle中下载。
数据共有12列，12个属性的意义如下：
属性的含义
读入训练数据
导入库和读入数据
训练数据总览
12列数据，并且数据没有缺失值。
测试数据总览
测试数据一共有9列，没有缺失值。
为了方便后面做特征工程，将训练数据和测试数据拼接起来。
数据中给出的datetime是例如2011-01-01 00：00：00这样的格式的，为了分析数据，需要将时间分割出月、日、几时
代码
按月份来看用量
按小时用量
根据小时用量可以将时段分为5个：0~7，7~10，10~15，15~20，20~24
各月自行车用量
按星期和小时查看骑行情况
按季节查看骑行情况
按季节的用量情况
每个季节每天的使用情况
每个季节每天的使用情况
工作日与骑行情况
天气与骑行情况
天气与骑行量
随着天气恶劣，自行车用量也在逐渐减少，天气是一个很好的特征。
温度与用量
确实40度的使用情况，41度那么热，可是用量却非常大，可能数据有些异常
各特征相关系数
各特征相关系数
由上图看出，注册用户和非注册用户的自行车使用量相差挺多的，非注册用户的相关系数是0
.69，而注册用户的相关系数为0.97
注册用户用量
非注册用户
剔除离群点
这是一个回归问题，如果目标值服从正态分布比较好，原数据不符合正态分布，需要进行处理
原数据
处理后
虽然不是标准的正态分布，但比原来的数据看上去好一些。
结果
