1、导入要使用的库
这里需要有前期机器学习和数据分析的基础，设置程序运行的路径和忽略警报提醒
import os
os.chdir(r'C:\Users\86177\Desktop\taxi')
import warnings
warnings.filterwarnings('ignore')
import pandas as pd
from datetime import datetime, date
from dateutil.parser import parse
from sklearn.model_selection import train_test_split
import xgboost as xgb
from sklearn.linear_model import LinearRegression, Ridge,BayesianRidge
from sklearn.cluster import MiniBatchKMeans
from sklearn.metrics import mean_squared_error
from math import radians, cos, sin, asin, sqrt
import seaborn as sns
import matplotlib
import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['figure.figsize'] = [60, 30]
from sklearn.cluster import KMeans
from sklearn.model_selection import GridSearchCV
from sklearn.model_selection import cross_val_score, KFold
print('Models loaded completely！')
–> 输出的结果为：
Models loaded completely！
2、数据导入及查看
2.1 加载训练数据和测试数据
因为'pickup_datetime'是时间特征，可以使用pandas中自带的解析方法，直接将数据转化为datetime数据
train = pd.read_csv('train.csv', parse_dates=['pickup_datetime'])
test = pd.read_csv('test.csv', parse_dates=['pickup_datetime'])
print( ' train shape:{}, columns:{} '.format(train.shape,train.columns))
print( ' test shape:{}, columns:{}'.format(test.shape,test.columns))
print(train['pickup_datetime'].head())
print(train.columns)
–> 输出的结果为：（数据量有些大，如果直接用Excel打开，数据是没办法全部加载的）
train shape:(1458644, 11)
test shape:(625134, 9)
0 2016-03-14 17:24:55
1 2016-06-12 00:43:35
2 2016-01-19 11:35:24
3 2016-04-06 19:32:31
4 2016-03-26 13:30:55
Name: pickup_datetime, dtype: datetime64[ns]
['id', 'vendor_id', 'pickup_datetime', 'dropoff_datetime', 'passenger_count', 'pickup_longitude',
'pickup_latitude', 'dropoff_longitude', 'dropoff_latitude', 'store_and_fwd_flag', 'trip_duration']
2.2 查看一下缺少的两个特征值
由于特征值的名称即为DataFrame的columns中的名称，处理的方法就有两种，第一种就是，从test数据中遍历columns，如果这个内容不属于train的columns的内容就可以打印输出；第二种就是很简单的集合去重的功能
1）方法一，遍历test数据，提取不在train中的数据
print([i for i in train.columns if i not in test.columns])
输出的结果为：
['dropoff_datetime', 'trip_duration']
2）方法二、集合去重（推荐）
print(list(set(train.columns) - set(test.columns)))
输出的结果为：
['dropoff_datetime', 'trip_duration']
★★★ 3）为什么test数据集中比train数据集中少两个特征？
首先看一下这两个特征代表的意义：第一个参数代表着出租车到达的时间，而第二个参数是出租车的行程时间。结合项目的出发点，也就是用来进行纽约出租车车程的预测，那么肯定是要根据train数据上已经有的数据（出发、到达以及行程时间）来预测test上未有的（只提供了出发时间，就要预测到达时间，那么行程时间也就自然得到了）
3、加载假日信息
3.1 直接加载数据
出租车的运行繁忙程度与节假日有着密切的联系，可以考虑在数据处理的过程中加入节假日相关的数据
holiday = pd.read_csv('NYC_2016Holidays.csv',sep=';')
print(holiday.head())
输出的结果为：(美国的节假日，这里的数据不是以逗号分隔，而是以分号分隔的)
0 Friday January 01 New Years Day
1 Monday January 18 Martin Luther King Jr. Day
2 Friday February 12 Lincoln's Birthday
3 Monday February 15 Presidents' Day
4 Sunday May 08
3.2 在date字段加入年份
这里对DataFrame某一字段的内容进行操作也有两种方式，一种是比较容易想到的map函数函数下使用其str方法，还有一种是使用其apply的进阶用法
1） 处理DataFrame中的文本数据
holiday['Date'] = list(map(lambda x: x+' 2016',holiday['Date'].str[:]))
print(holiday.head())
输出的结果为：（关于map函数的使用方法）
0 Friday January 01 2016 New Years Day
1 Monday January 18 2016 Martin Luther King Jr. Day
2 Friday February 12 2016 Lincoln's Birthday
3 Monday February 15 2016 Presidents' Day
4 Sunday May 08 2016
2） 使用DataFrame中的apply的进阶用法
holiday['Date'] = holiday['Date'].apply(lambda x: x + ' 2016')
print(holiday.head())
输出的结果为：（这两种方法使用一种即可）
0 Friday January 01 2016 New Years Day
1 Monday January 18 2016 Martin Luther King Jr. Day
2 Friday February 12 2016 Lincoln's Birthday
3 Monday February 15 2016 Presidents' Day
4 Sunday May 08 2016
3.3 将Date数据转化为Datetime类型数据
这里就是涉及到时间字段格式化的处理，在之前的数据分析中已经有讲到，还可以使用之前的解析方法（可以参考【python数据分析（15）】博客中的内容）
1）直接使用时间字段转datetime的方法
holidays = [datetime.strptime(holiday.loc[i,'Date'], '%B %d %Y').date() for i in range(len(holiday))]
print(holidays)
输出的结果为：
[datetime.date(2016, 1, 1),
datetime.date(2016, 1, 18),
datetime.date(2016, 2, 12),
datetime.date(2016, 2, 15),
datetime.date(2016, 5, 8),
datetime.date(2016, 5, 30),
datetime.date(2016, 6, 19),
datetime.date(2016, 7, 4),
datetime.date(2016, 9, 5),
datetime.date(2016, 10, 10),
datetime.date(2016, 11, 11),
datetime.date(2016, 11, 24),
datetime.date(2016, 12, 26),
datetime.date(2016, 7, 4),
datetime.date(2016, 11, 8)]
2） 利用parse方法进行时间字段向datetime数据转化
holidays = [parse(holiday.loc[i,'Date']).date() for i in range(len(holiday))]
print(holidays)
输出的结果为：(推荐的方式)
[datetime.date(2016, 1, 1),
datetime.date(2016, 1, 18),
datetime.date(2016, 2, 12),
datetime.date(2016, 2, 15),
datetime.date(2016, 5, 8),
datetime.date(2016, 5, 30),
datetime.date(2016, 6, 19),
datetime.date(2016, 7, 4),
datetime.date(2016, 9, 5),
datetime.date(2016, 10, 10),
datetime.date(2016, 11, 11),
datetime.date(2016, 11, 24),
datetime.date(2016, 12, 26),
datetime.date(2016, 7, 4),
datetime.date(2016, 11, 8)]
4、 加载行程具体的信息
之前加载的数据中不是很详尽，这里再进行数据的补充。数据中包含了车程的总距离，花费的时间以及遇到了路口和具体的转向，由于数据集较大，数据分为两部分，因为需要先把数据加载后合并（两个表的合并属于横向连接，使用pd.concat的方法）
4.1 加载数据并查看
fastrout1 = pd.read_csv('fastest_routes_train_part_1.csv',
usecols=['id', 'total_distance', 'total_travel_time', 'number_of_steps','step_direction'])
fastrout2 = pd.read_csv('fastest_routes_train_part_2.csv',
usecols=['id', 'total_distance', 'total_travel_time', 'number_of_steps','step_direction'])
fastrout = pd.concat((fastrout1,fastrout2))
print(fastrout.head())
输出的结果为：(后四项数据分别对应上面的介绍)
id total_distance total_travel_time number_of_steps step_direction
0 id2875421 2009.1 164.9 5 left|straight|right|straight|arrive
1 id2377394 2513.2 332.0 6 none|right|left|right|left|arrive
2 id3504673 1779.4 235.8 4 left|left|right|arrive
3 id2181028 1614.9 140.1 5 right|left|right|left|arrive
4 id0801584 1393.5 189.4 5 right|right|right|left|arrive
4.2 处理step_direction字段的数据
这里可以把right和left的数据单独提取出来，注意里面还存在slight right和slight left，这种是需要去掉的，这里的处理和之前添加年份的字段处理类似，都是对于某一字段中数据提取，可以使用map()方法，也可以使用apply进阶方式
right_turn = list(map(lambda x:x.count('right')-x.count('slight right'),fastrout.step_direction))
left_turn = list(map(lambda x:x.count('left')-x.count('slight left'),fastrout.step_direction))
#这两种方法选择一种即可
#right_turn = fastrout['step_direction'].apply(lambda x:x.count('right')-x.count('slight right'))
#left_turn = fastrout['step_direction'].apply(lambda x:x.count('left')-x.count('slight left'))
然后将这两个字段数据添加到原来的数据中，代替step_direction字段的数据，关于添加字段的方法也是有两种，之前一直使用的是df[‘字段名’] = data， 也可以使用pd.assign(data = data)的方式
osrm_data = fastrout[['id','total_distance','total_travel_time','number_of_steps']]
osrm_data = osrm_data.assign(right_steps=right_turn)
osrm_data = osrm_data.assign(left_steps=left_turn)
#或者使用以往的方法
#osrm_data['right_steps'] = right_turn
#osrm_data['left_steps'] = left_turn
osrm_data.head()
输出的结果为：
id total_distance total_travel_time number_of_steps right_steps left_steps
0 id2875421 2009.1 164.9 5 1 1
1 id2377394 2513.2 332.0 6 2 2
2 id3504673 1779.4 235.8 4 1 2
3 id2181028 1614.9 140.1 5 2 2
4 id0801584 1393.5 189.4 5 3 1
4.3 按照同样的方式处理test数据
osrm_test = pd.read_csv('fastest_routes_test.csv')
right_turn= list(map(lambda x:x.count('right')-x.count('slight right'),osrm_test.step_direction))
left_turn = list(map(lambda x:x.count('left')-x.count('slight left'),osrm_test.step_direction))
osrm_test = osrm_test[['id','total_distance','total_travel_time','number_of_steps']]
osrm_test = osrm_test.assign(right_steps=right_turn)
osrm_test = osrm_test.assign(left_steps=left_turn)
osrm_test.head()
输出的结果为：（除了target（标签）字段外，测试数据和训练数据的样式要一致，否则模型不具有预测的能力）
id total_distance total_travel_time number_of_steps right_steps left_steps
0 id0771704 1497.1 200.2 7 2 3
1 id3274209 1427.1 141.5 2 0 0
2 id2756455 2312.3 324.6 9 4 4
3 id3684027 931.8 84.2 4 2 1
4 id3101285 2501.7 294.7 8 3 3
5、天气数据的加载
天气情况对于出租车运行也会产生影响，因此也可以将天气的数据考虑进去，其中的time字段可以直接转化为datetime数据
weather = pd.read_csv('KNYC_Metars.csv', parse_dates=['Time'])
print(weather.head())
输出的结果为：
至此，所有的数据全部加载完成，接下来就是进行数据可视化
