一万多条拼车数据，看春运的迁徙图
(参与匿名有奖小调查，请到文末）
作者 | 白苏，医疗健康领域产品经理一枚，Python&R爱好者
编辑 | Jane
来源 | InThirty
今天是腊月二十七，你们都到家了吗？这篇文章，作者对北京、上海、广州、深圳、杭州等地 1万多条出行数据进行分析，得出了一些有意思的结论，并且绘制了这几个城市春运的迁移图。虽然数据在取样公平性上不能完全符合标准，但是思路还是值得大家学习参考的~
目录
前言
统计结果
爬虫思路
统计思路
后记
前言
很早之前发过一篇关于某拼车平台爬虫的文章，因为工作比较忙，一直没有下文。最近年底稍微空了些，加上碰上春节返乡大潮，刚好再拿过来写一下数据分析的思路。
本次数据样本共13041条，本别采集了北京、上海、广州、深圳、杭州的某一天出行数据，由于手动操作难以保证取样的公平性，所以不能对全部数据结果的准确性做保证，本文以提供思路参考为主，先放一张路线图：
统计结果
好了知道大家比较关心结果，所以先把结果放一放，后面再接着讲分析过程。
乘客性别
先单独把性别拎出来看一下，后面再根据城市进行分析，结果显示，抛开未设置性别的乘客不论，总体来看顺风车的用户群中，男性（占比 49.39%）还是多于女性（占比 31.55%）的。毕竟跨城顺风车，大过年的，女性乘客对于安全性的忧虑还有要有的。
城市订单
真实数据的话订单数量应该是深圳 > 北京 > 广州 > 上海 > 杭州，但是同一个城市内的乘客性别比例应该还是具有一定的参考价值的，可以看到北京、上海、深圳的女性乘客数量占比都是高于男性的。
客单价
原本是想比较一下平均路程长度，但是想想这个事情太折腾了，由于平台主要还是依靠路程来计算拼车费用的，所以通过计算客单价的话大概也能反映一下平均形成长度（我猜的，然后结果是这样的，没想到广州是最高的，也可能是我统计错误
哪里乘客最壕
有时候有些偏远地区订单或者顺路司机少，乘客会加价希望司机接单，于是统计了一下各城市加价订单的占比和平均的加价额度，得出如下结果：
占比最高的城市是深圳，平均加价额度最高的城市也是深圳，看来深圳的小哥哥小姐姐们的确出手阔错，然而加价比例最低的是北京，不过这也不能说明帝都人民不壕气，可能就是人家繁华，司机多。
返乡路线图
最后放几张返乡的路线图
北京
上海
广州
深圳
杭州
杭州明显有别与其它几个城市，一个是杭州的数据样本多，另外一个平台上杭州黄牛多，那些最远的单子就是黄牛广告单
爬虫思路：注册成为司机，利用 mitm 抓包存储拼车单
统计思路：数据的话我是通过本地 Mongodb 存储，所以直接用 python 操作 Mongodb 数据
Pymongo：关于 Mongodb 数据库的连接，直接上代码：
client = MongoClient('mongodb://localhost:27017')
spring = client.spring
collection = spring['orders']
以上代码的意思就是连接本地 Mongodb-spring 数据库 -orders 文档集合
Pyecharts：是大名鼎鼎的 Echarts 的 Python 可视化图表库，用起来挺顺手的，而且文档规范，基本上可以零门槛入门，具体实现请移步文档。
Pyecharts(http://pyecharts.org)
这里介绍一下关于 Pyecharts 的图表样式配置，为了保持各图表的样式统一（偷懒），Pyecharts 提供了一个 Style 类，可用于在同一个图或者多个图内保持统一的风格
rom pyecharts import Style,Geo
style = Style(
title_color="#fff",
title_pos="center",
width=1100,
height=600,
background_color='#404a59'
)
# style.init_style 会返回类初始化的风格配置字典
geo = Geo("全国主要城市空气质量", "data from pm2.5", **style.init_style)
代码解读
因为全部代码有点长，所以抽了一段举个例子，主要思路就是从 Mongodb 取出指定数据，或者通过 $group 管道对数据进行处理，最后通过 pyecharts 生成相应的图表，呈现
from pymongo import MongoClient
from pyecharts import Style,GeoLines
def getLines(self):
# 连接数据库
client = MongoClient('mongodb://localhost:27017')
spring = self.client.spring
collection = self.spring['orders']
# Mongodb的操作，$match-筛选出'from_poi.city.city_name'为'杭州'的文档，
# 再通过$group管道，按照目标城市统计出汇总数量
line_hangzhou = collection.aggregate([
{'$match': {'from_poi.city.city_name': '杭州'}},
{'$group': {'_id': '$to_poi.city.city_name', 'count': {'$sum': 1}}}
])
# 按照Geolines图表的数据格式格式化数据
line_hangzhou_ = []
for line in line_hangzhou:
line_hangzhou_.append(["杭州", line['_id'], line['count']])
# 创建一个GeoLines图表
citylines = GeoLines("春节迁移路线图", **style.init_style)
# 添加数据以及样式
citylines.add("从杭州出发",
line_hangzhou_,
**geo_style)
# 生成html文件
citylines.render("results/citylines.html")
后记
这是一篇迟到很久的文章，本来没打算再写，但是总觉得下半部分没写完心里有个结，所以还是抽时间补上。另外作为一个非专业技术人员，多记多练免得过几天自己就忘了。源码的话抽空传 GitHub，有需要可以后台留言。
（本文为Python大本营转载文章，转载请联系作者。）
扫描二维码，即可参与
推荐阅读：