分析目標

觀察上次的數據，數據中有的數據有會員與非會員兩種用戶類別。
這次我們主要分析一下兩種類別用戶在數據中占比。

數據讀取與數據清洗

根據流程示意圖我們主要遵循下面幾個步驟：

此處代碼為：

# 數據讀取，數據清洗
def read_clean_data():
    clndata_arr_list = []
    for data_filename in data_filenames:
        file = os.path.join(data_path, data_filename)
        data_arr = np.loadtxt(file, skiprows=1, delimiter=',', dtype=bytes).astype(str)
        cln_arr = np.core.defchararray.replace(data_arr[:, -1], '"', '')
        cln_arr = cln_arr.reshape(-1,1)
        clndata_arr_list.append(cln_arr)
    year_cln_arr = np.concatenate(clndata_arr_list)
    return year_cln_arr

這里需要注意兩點：

• 因為數據較大，我們沒有數據文件具體數據量，所以在使用numpy.reshape時我們可以使用numpy.reshape(-1,1)這樣numpy可以使用統計后的具體數值替換-1。

• 我們對數據的需求不再是獲取時間的平均值，只需獲取數據最后一列并使用concatenate方法堆疊到一起以便下一步處理。

數據分析

根據這次的分析目標，我們取出最后一列Member type。

在上一步我們已經獲取了全部的數值，在本部只需篩選統計出會員與非會員的數值就可以了。

我們可以先看下完成后的這部分代碼：

# 數據分析
def mean_data(year_cln_arr):
    member = year_cln_arr[year_cln_arr == 'Member'].shape[0]
    casual = year_cln_arr[year_cln_arr == 'Casual'].shape[0]
    users = [member,casual]
    print(users)
    return users

同樣，這里使用numpy.shape獲取用戶分類的具體數據。

結果展示

生成的餅圖：

下面是生成餅圖的代碼：

# 結果展示
plt.figure()
    plt.pie(users, labels=['Member', 'Casual'], autopct='%.2f%%', shadow=True, explode=(0.05, 0))
    plt.axis('equal')
    plt.tight_layout()
    plt.savefig(os.path.join(output_path, './piechart.png'))
    plt.show()