【Case Study 1】バイクシェアの急成長をpythonで解き明かす！

# Google Drive と Google Colaboratoryの連結
from google.colab import drive
drive.mount('/content/drive')

# pandasライブラリをpdとしてインポート
import pandas as pd

# osライブラリをインポート
import os

# seabornライブラリをsnsとしてインポート
import seaborn as sns

# matplotlib.pyplotライブラリをpltとしてインポート
import matplotlib.pyplot as plt

# グラフをノートブック内に表示するためのマジックコマンド
%matplotlib inline

# Pandasライブラリを使用してCSVファイルを読み込み、データフレームに格納
df = pd.read_csv("drive/My Drive/CSV_Cyclistic_2021/202101-divvy-tripdata.csv")

# データフレームの形状（行数と列数）を表示
print(f'Shape: {df.shape}')

# データフレームの最初のいくつかの行を表示
df.head()

df.info()

# データフレーム df に対して重複を確認
duplicates = df[df.duplicated()]

# 重複があるかどうかを確認
if duplicates.empty:
    print("重複はありません。")
else:
    print("重複があります。")
    print(duplicates)

# 出力：　重複はありません。

# 日付の型変換
# 'started_at' と 'ended_at' 列のデータ型を日付型に変換
cols = ['started_at', 'ended_at']
for col in cols:
    df[col] = pd.to_datetime(df[col])

# 変換後のデータ型と欠損値の情報を表示
df[cols].info()

# 'ended_at' が 'started_at' 以下の行を選択
# つまり、終了時刻が開始時刻以下の場合のデータを抽出
df[df['ended_at'] <= df['started_at']]

# データの整合性を確保するため、'ended_at' が 'started_at' よりも前の行を削除
# 削除前の行数を保存しておき、削除後の行数との差分を表示
before = df.shape[0]
df = df[df['ended_at'] > df['started_at']]
print(f'Number of deletions: {before - df.shape[0]}')

#出力　Number of deletions: 6

# 特定の列における各要素の出現回数を表示するループ処理
# 'rideable_type', 'start_station_name', 'end_station_name', 'member_casual' 列について、各要素の出現回数を表示
cols = ['rideable_type', 'start_station_name', 'end_station_name', 'member_casual']

for col in cols:
    print(f'{col} :')
    display(df[col].value_counts())
    print('-----------------------')

# 乗車時間を算出
df['ride_length'] = df['ended_at'] - df['started_at']

# 'ride_length'の秒数を取得
df['ride_length_seconds'] = df['ride_length'].dt.total_seconds()

# 'ride_length_seconds'を分に変換
df['ride_length_minutes'] = df['ride_length_seconds'] / 60

# 'started_at'から月を抽出して新しい列を作成
df['month'] = df['started_at'].dt.month
# 曜日を取得して新しい列に追加 (0(月曜日)から6(日曜日))
df['weekday'] = df['started_at'].dt.dayofweek
df.head()

# フォルダにあるcsvファイルを取り込み結合
# フォルダのパス
folder_path = 'drive/My Drive/CSV_Cyclistic_2021/'

# フォルダ内のCSVファイル名を取得
csv_files = [f for f in os.listdir(folder_path) if f.endswith('.csv')]

# すべてのCSVファイルを1つのデータフレームにまとめる
dfs = []
for csv_file in csv_files:
    file_path = os.path.join(folder_path, csv_file)
    _df = pd.read_csv(file_path)
    dfs.append(_df)

# データフレームを結合
df = pd.concat(dfs, ignore_index=True)

print(f'Shape: {df.shape}')
df.head()

# 数値データに関する基本統計量を表示
df.describe()

# 外れ値の確認 (x軸を日数表示に変更)
# ride_lengthではグラフ化できないため、秒数変換したride_length_secondsを用いる
plt.figure(figsize=(10, 4))
sns.boxplot(x=df['ride_length_seconds'] / (60*60*24))  # 秒を日に変換
plt.title('Boxplot of Ride Length (Days)')
plt.xlabel('Ride Length (Days)')
plt.show()

# DataFrameの初期行数を保存
before = df.shape[0]

# ride_length_secondsが5日以上の行をフィルタリング
df = df[df['ride_length_seconds'] < 60 * 60 * 24 * 30]

# 削除された行の数を計算して表示
print(f'削除された行数: {before - df.shape[0]}')

# 出力：　Number of deletions: 7

# プロット領域のサイズを指定
plt.figure(figsize=(6, 4))

# seabornのbarplotを使用してカテゴリごとの棒グラフを描画
sns.barplot(x=df['member_casual'], y=df['ride_length_minutes'])

# グラフのタイトルと軸ラベルを指定
plt.title('Barplot of Ride Length (Minutes)')
plt.ylabel('Ride Length (Minutes)')

# グラフを表示
plt.show()

# メンバータイプごとの乗車回数をカウント
ride_counts = df['member_casual'].value_counts()

# seabornのbarplotを使用してカテゴリごとの棒グラフを描画
sns.barplot(x=ride_counts.index, y=ride_counts.values)

# グラフのタイトルと軸ラベルを指定
plt.title('Barplot of Ride Counts')
plt.ylabel('Ride Counts')

# グラフを表示
plt.show()

# 曜日の順序を定義
day_order = ['Monday', 'Tuesday', 'Wednesday', 'Thursday', 'Friday', 'Saturday', 'Sunday']

# DataFrameからヒートマップを作成
heatmap_data = df.pivot_table(columns='weekday', index='member_casual', values='ride_length_minutes', aggfunc='mean')

# ヒートマップをプロット
plt.figure(figsize=(12, 5))
sns.heatmap(heatmap_data, cmap='coolwarm', annot=True, fmt=".0f", cbar_kws={'label': 'Average Ride Length (seconds)'})

# 曜日の順序を設定
plt.xticks(ticks=[i + 0.5 for i in range(7)], labels=day_order, rotation=0)

# グラフのタイトルと軸ラベル
plt.title('Average Ride Length (Minutes) by Day of Week and User Type')
plt.xlabel('Day of Week')
plt.ylabel('User Type')
plt.show()

# 曜日ごとの出現回数をクロス集計
cross_tab = pd.crosstab(df['weekday'], df['member_casual'])
display(cross_tab)
# 積み上げグラフを作成
plt.figure(figsize=(10, 4))
sns.barplot(x=cross_tab.index, y=cross_tab['casual'], color='#ff7f0e', label='Casual')
sns.barplot(x=cross_tab.index, y=cross_tab['member'], color='#1f77b4', label='Member', bottom=cross_tab['casual'])

# グラフのタイトルと軸ラベル
plt.title('Ride Count by Day of Week and User Type')
plt.xlabel('Day of Week')
plt.ylabel('Ride Count')

# 曜日のラベルを設定
plt.xticks(range(7), ['Monday', 'Tuesday', 'Wednesday', 'Thursday', 'Friday', 'Saturday', 'Sunday'])

# 凡例を表示
plt.legend(title='User Type')

# グラフを表示
plt.show()

# DataFrameからヒートマップを作成
heatmap_data = df.pivot_table(columns='rideable_type', index='member_casual', values='ride_length_minutes', aggfunc='mean')

# ヒートマップをプロット
plt.figure(figsize=(6, 5))
sns.heatmap(heatmap_data, cmap='coolwarm', annot=True, fmt=".0f", cbar_kws={'label': 'Average Ride Length (minutes)'})

# グラフのタイトルと軸ラベル
plt.title('Average Ride Length (Minutes) by Rideable Type and User Type')
plt.xlabel('Rideable Type')
plt.ylabel('User Type')
plt.show()

# 自転車タイプごとの出現回数をクロス集計
cross_tab = pd.crosstab(df['rideable_type'], df['member_casual'])
display(cross_tab)
# 積み上げグラフを作成
plt.figure(figsize=(10, 4))
sns.barplot(x=cross_tab.index, y=cross_tab['casual'], color='#ff7f0e', label='Casual')
sns.barplot(x=cross_tab.index, y=cross_tab['member'], color='#1f77b4', label='Member', bottom=cross_tab['casual'])

# グラフのタイトルと軸ラベル
plt.title('Ride Count by rideable_type and User Type')
plt.xlabel('Rideable Type')
plt.ylabel('Ride Count')

# 凡例を表示
plt.legend(title='User Type')

# グラフを表示
plt.show()

# seabornのhistplotを使用して月ごとの乗車回数を積み上げヒストグラムとして描画
sns.histplot(data=df, x='month', hue='member_casual', multiple='stack', binwidth=1)

# グラフのタイトルと軸ラベルを指定
plt.title('Stacked Histogram of Ride Counts by Month and Member Type')
plt.xlabel('Month')
plt.ylabel('Ride Counts')

# グラフを表示
plt.show()