Python共享单车数据分析及预测代码

当然可以！下面是一个简单的Python共享单车数据分析及预测的代码示例，我们可以使用Pandas和Scikit-Learn库来实现。

首先，我们需要导入必要的库：

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, r2_score

然后，我们加载我们要分析的共享单车数据集。在这个示例中，我们使用的是UCI机器学习库中的Bike Sharing Dataset。

url = 'https://archive.ics.uci.edu/ml/machine-learning-databases/00275/Bike-Sharing-Dataset.zip'
zipfile = 'Bike-Sharing-Dataset.zip'
csvfile = 'hour.csv'

# 下载并解压数据集
import urllib.request
import zipfile
urllib.request.urlretrieve(url, zipfile)
with zipfile.ZipFile(zipfile, 'r') as zip_ref:
    zip_ref.extractall()

# 加载数据集
data = pd.read_csv(csvfile)

接下来，我们对数据进行一些预处理。在这个示例中，我们选择了一些特征进行分析，并将它们转换为数值类型。

# 选择特征
features = ['season', 'holiday', 'workingday', 'weathersit', 'temp', 'atemp', 'hum', 'windspeed']

# 将特征转换为数值类型
for feature in features:
    data[feature] = pd.to_numeric(data[feature], errors='coerce')

然后，我们将数据集划分为训练集和测试集。

# 划分数据集
X = data[features]
y = data['cnt']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

接下来，我们使用线性回归模型进行预测。

# 训练模型
model = LinearRegression()
model.fit(X_train, y_train)

# 预测数据
y_pred = model.predict(X_test)

# 计算误差
mse = mean_squared_error(y_test, y_pred)
r2 = r2_score(y_test, y_pred)
print('Mean squared error: %.2f' % mse)
print('Coefficient of determination: %.2f' % r2)

最后，我们可以输出模型的预测结果，并可视化预测结果与测试集数据的比较。

# 输出预测结果
predictions = pd.DataFrame({'Actual': y_test, 'Predicted': y_pred})
print(predictions)

# 可视化预测结果
import matplotlib.pyplot as plt
plt.scatter(y_test, y_pred)
plt.xlabel('Actual')
plt.ylabel('Predicted')
plt.show()

以上就是一个简单的Python共享单车数据分析及预测的代码示例。当然，这只是一个基础的模板，你可以根据实际需求进行修改和优化。