从拼车数据看北上广深人民回哪过年？

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是要有的。

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绰，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

杭州明显有别于其他几个城市，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：

1. client = MongoClient('mongodb://localhost:27017')
2. spring = client.spring
3. 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

Pyecharts(http://pyecharts.org)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。

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。

1. from pyecharts import Style,Geo
3. style = Style(
4.    title_color="#fff",
5.    title_pos="center",
6.    width=1100,
7.    height=600,
8.    background_color='#404a59'
9. )
10. # style.init_style 会返回类初始化的风格配置字典
11. geo = Geo("全国主要城市空气质量", "data from pm2.5", **style.init_style)

这样，就创建了一个Geo地理坐标系图表。

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：

1. from pymongo import MongoClient
2. from pyecharts import Style,GeoLines
4. def getLines(self):
5.    # 连接数据库
6.    client = MongoClient('mongodb://localhost:27017')
7.    spring = self.client.spring
8.    collection = self.spring['orders']
10.    # Mongodb的操作，$match-筛选出'from_poi.city.city_name'为'杭州'的文档，
11.    # 再通过$group管道，按照目标城市统计出汇总数量
12.    line_hangzhou = collection.aggregate([
13.        {'$match': {'from_poi.city.city_name': '杭州'}},
14.        {'$group': {'_id': '$to_poi.city.city_name', 'count': {'$sum': 1}}}
15.    ])
16.    # 按照Geolines图表的数据格式格式化数据
17.    line_hangzhou_ = []
18.    for line in line_hangzhou:
19.        line_hangzhou_.append(["杭州", line['_id'], line['count']])
21.    # 创建一个GeoLines图表
22.    citylines = GeoLines("春节迁移路线图", **style.init_style)
23.    # 添加数据以及样式
24.    citylines.add("从杭州出发",
25.                  line_hangzhou_,
26.                  **geo_style)
27.    # 生成html文件
28.    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。