本文主要介绍了Python数据分析之使用Python可视化图表分析行程数据，通过具体的内容展现，希望对大家Python数据分析的学习有所帮助。

最近一直在想怎么分析一下个人的行程数据，看看能够从行程数据里面分析出点什么来。最开始我的期望还是蛮高的，有如下的一些预期：

根据出行时间范围，可以基本确定他的生活节奏，工作强度

能够通过行程时间范围来猜测汽车尾号

根据出行的耗时历史来建议出行时间

如果能够分析得到这些信息，感觉还是蛮有意思的，于是开始自己动手，第一个问题就是数据源，导航软件目前还不提供行程数据的导出，所以我是把7-8两个月的行程数据逐个照着导航行程整理出来了，大体的数据情况还可以，不过其中有些数据做了额外处理，比如时间的处理，因为是如果是7:15，那么按照数字化显示就不能是7.15，而更合理的显示是7.4，还有行程时间，比如1:30，是需要统一按照分钟90分钟来整合的，整理后得到的数据如下：

首先我按照时间做了对行程的耗时做了分析，结果发现这个数据似乎不大理想，本来预期是比较稳定的，还打算按照这个数据做下预测。

这种情况下就得换一个思路了，先看看数据的整体分布，使用条形图其实是不好体现数据的分布情况，因为有些行程之间是没有直接关联的，比如早上和晚上的行程，因为时间的差异，条形图的模式反而会有很大的抖动。

如下是按照行程的耗时分布图：

如下是行程出发时间的分布情况，基本上来说都是在6:30~7:00之间开始出发，晚上基本在20:00左右返程。

如下是按照周一到周日的行程耗时分布，可以明显看到周二的行程分布要少很多，还不如周六，周日的多，所以从这一点是可以猜出来很可能是因为限号。

当然前面提到了两个指标，一个是行程耗时，一个是出发时间，还有一个是路程，因为路程和耗时两者是有一定关联，但是折算下来一个折中的指标就是平均速度。所以按照平均速度的分布情况来看，周一和周五是最堵的，相对周四和周六是最通畅的。

我们区别于一般的可视化，引入箱线图，可以看到平均行程的耗时在45分钟左右，区间基本在30-60分钟之间。

其实数据分析到了这里，还是有很大差异的，虽然或多或少的分析出来了一些内容，但是有些指标还是没有充分使用到，而且显示的指标情况还是不够清晰，所以打算使用seaborn进一步做下调整。

如下是行程距离，行程耗时和星期数的综合分布图。

如下是星期和行程耗时的分布图，相比之前的分布图来说会更加清晰一些。

我们继续引入平均速度，出发时间和星期数进行关联，可以看到整个行程会有明显的分水岭，早间和晚间基本堵是工作日，而其他的时间基本都是周末。

而要进一步探索这些数据指标间的关联，就需要引入略复杂的图PairGrid，可以把多个指标都放入，可以生成多个维度的分布图。

接下来需要对数据的指标情况进一步分析，引入检验和预测的功能。

我是小职，记得找我

✅ 解锁高薪工作

✅ 免费获取基础课程·答疑解惑·职业测评