数据可视化第二版-拓展-和鲸网约车分析一等奖作品

数据可视化第二版-拓展-网约车分析案例

竞赛介绍

本文是和鲸社区的一个数据分析竞赛，比赛链接如下：【2023春节限定】网约车运营分析

这是数据科学开源社区和鲸社区的春节传统节目，也是和鲸社区与接地气的陈老师联合举办的【商业分析训练营】系列第一期，旨在用真实的分析场景，带同学们利用春节假期体验真实的数据分析工作，提升求职与数据分析工作能力。

接地气的陈老师是创业公司数据总监，公众号“接地气的陈老师”主理人，豆瓣评分 9.0 的《商业分析全攻略》一书作者，担任本活动出题人与评委。

假设你是某打车APP的商业数据分析师，为某大区提供日常数据报表。现在大区领导表示：希望你从日常数据监测中，发现问题和机会点，并做出建议。请你认真研究手头报表数据，给出报告。数据如下：

真实的商业分析就是这样：日常工作 80% 是重复的，枯燥的日报、周报、月报，这些监控报表和临时取数。可是，业务部门，领导们又希望你能从简单的监控中发现问题，做出洞察。那么 如何在日常数据里看出门道？ 怎么在没有标准答案的情况下，自己找到标准？ 怎么基于数据说出一二三，又能让人信服？ 这是对商业分析师的重大考验。

通过这个案例，可以让同学们体验到真实工作状态，从期初的迷茫，到逐步清晰，到顿悟，到能够驾驭数据，驱动业务，需要很多年历练。今天带大家迈出第一步。

数据介绍

数据为某大区内五个城市，1周分时段运营数据 字段：时段，代表一天时间，0代表0点~1点，以此类推 冒泡：打车APP中，乘客选择起点、终点，APP提示可选车型&价格，为一次“冒泡” 呼叫：乘客看到冒泡信息后，点击“呼叫”按钮，为一次呼叫 应答：司机看到乘客呼叫后，接单，为“应答” 完单：司机完成订单，乘客付款为“完单” 司机在线：每个时段内司机在线人次

为降低分析难度，假设如下：

订单在时段内完成，不考虑跨时间段场景 司机在线为时间段内所有司机，不考虑时间段内波动 冒泡→呼叫→应答→完单，可简单视为一个流程转化率

1等奖作品-IT从业者张某某的作品

参考:【2023 春节限定】网约车运营分析报告

结论

• 确定关键指标：

完单数和完单率 （因为城市不一样，完单数体现城市的盈利能力，完单率体现运营效果的可改进空间）

• 按城市维度分析：

AED 属于大城市大城市中 D 的 APP 运行效果最好，其次是 E，最后为 A，但 A 为该区最大城市。其中 A 的各个时间段完单率均较差，初步排除受交通关系，应该与 A 城市的整体运营或是竞争有关系，对于大城市 A，整体完单数较多，是重要的赢利点，A 市需要重点优化，存在较大机会。 BC 属于 中小城市 中小城市的完单率 均较好，C 城市的白天完单率最好，但夜晚 0-5 点完单率较差，C 城市 0-5 点司机的数量少，最少为 284 人，占白天峰值 30000 的 1% 左右，可以提升司机数量，增加 C 城市乘客用户好感度。3 点数据举例冒泡 1148 呼叫 452 应答 248 完单 212 从指标相关性分析： 完单数量与司机在线数量相关性最大，说明司机多，也就是说明城市大，完成的订单数量更多，这样可以 重点关注大城市，A 市司机最多，但整体完单数没有比 C 市多。 可以参考 A 市的订单价格与 C 市的订单价格进行比较，看是否存在 A 市是因为城市大，导致更多的远途用户采取了地铁等方式。 完单率 与 司机接单数量和司乘比（司机单位小时完成订单数） 相关性最大，说明可以通过 提升司机主动接单，来提升完单率> 司机接单数量与司乘比（司机单位小时完成订单数）呈强正相关，说明 提升司机的主动接单积极性，可以提升司机的接单数量，提升呼叫到接单到完单的比率。

• 从单个指标上分析

从转化率角度来看，A 市转化率小，完成最后支付的人相对较少，也就是 A 市可以重点提升，CBD 的完单数均高于 A 和 E 从完单数看，A 和 E 的完单数最小，与城市规模，司机数量不匹配 从漏斗图上可以看出 A 城市的冒泡 - 呼叫 - 应答，流失人数最多，其中其它城市呼叫到应答大约存在 10-30w 的差，而 A 城市存在 70W 的差。

• 分析结论

1. 持续维持 BC 城市的用户满意度度和 app 依赖性，比如在 C 城市，提升 0-5 点的司机数量和司机应答积极性，减少 C 城市的整体呼叫与应答流失人数。
2. 改进 A 城市的转化率过低

从漏斗查看，是冒泡数 1134W 与呼叫数 470W 差别较多，可以改进车型选择或价格推荐。 运营方案优化可以包含路线，可以进一步优化路线，同时可以考虑提供优惠券，提升转化率。另外可以看出，A 城市的司机很多，但呼叫数没有明显偏多，说明用户的依赖性不强，要提升用户的依赖性。 在工作日的 18 点是呼叫的高峰期，但在线司机数量下降了约 4000 千，而同期的大城市 D 市在线司机数量呈现上升趋势，可以优化这个时间段的在线司机数量。

过程数据和思考

数据处理

数据介绍

数据为某大区内五个城市，1 周分时段运营数据 字段：时段，代表一天时间，0 代表 0 点～1 点，以此类推 冒泡：打车 APP 中，乘客选择起点、终点，APP 提示可选车型 & 价格，为一次 “冒泡” 呼叫：乘客看到冒泡信息后，点击 “呼叫” 按钮，为一次呼叫 应答：司机看到乘客呼叫后，接单，为 “应答” 完单：司机完成订单，乘客付款为 “完单” 司机在线：每个时段内司机在线人次

为降低分析难度，假设如下：

订单在时段内完成，不考虑跨时间段场景 司机在线为时间段内所有司机，不考虑时间段内波动 冒泡→呼叫→应答→完单，可简单视为一个流程转化率

去除脏数据：第九列、第十列的数据为空，所以删除这两列的数据： 

数据探索

转化率：完单数 / 冒泡数，用户选择起点终点到完成订单的概率 司乘比：完单数 / 司机在线，完单数代表真正的乘客数量，司机在线数代表司机的数量，表示司机的单位时间接单数量，是很重要的司机收入依据** 司机接单：应答数 / 司机在线 ，表示司机的接单意愿， 工作日： 1 表示周一到周五的工作日，0 表示周六和周日

为原始数据添加转化率、司乘比、工作日三列数据，为后续数据分析做准备

数据分析方法选择

对比分析：对比各城市之间司机数量、订单数量、高峰期情况等，分析城市的好坏并给出解决方案 趋势分析：通过观察事物的发展趋势，可以推理出产生此现象的原因、给出解决方案

数据分析

相关性分析

使用 corr 函数计算各指标之间的相关度，绘制热力图进行展示：

由上图可知： 从冒泡数、呼叫数到应答数，与完单数的相关度依次升高，此外，完单数与司机在线数有强烈的关系，与时段也有明显关系 司机在线数与时段具有明显关系，可见，在某些时段，司机在线数较多，某些时段较少 冒泡数、呼叫数、应答数与完单数与时段有明显的正相关，可见，在某些时段的订单多，而某些时段里订单少 转化率与司乘比呈较强的正相关，可见，司机数量与订单完成率有较强的关系 工作日与司乘比呈较弱正相关 司乘比与司机接单正相关，说明司机实际每天应答数量与司机每天完单高度相关。如果想提升完单率，可以尽可能的提升司机的应答数量。

目的是为了这个 app 提升收益:

北极星指标就是完单数量，完单数量意味着盈利 ，

如何提升完单数量，

对于 ADE 城市来说，可以尝试多提升呼叫数和应答数 优化路线，提供优惠券增加呼叫数， 提供接单任务奖励提高应答数， 对司机进行培训提升完单数 对于 BC 城市来说，暂时来说，继续保持的，同时考虑 中午的接单数

完单率是可以优化的空间

转化率分析

各城市从冒泡到完成订单的概率如下图所示：

可见，C 市的转化率最高，而 A 市的转化率最低，可以重点研究 A 市：

绘制 A C 市订单流程的漏斗图：

可见 A 市在冒泡到呼叫之间客户的流失量最大，从呼叫数到应答数之间的流失量也很大

分析结论

应该重点考虑 A 市的运营问题，可以增加在冒泡到呼叫步骤之间留存用户的措施，比如发放优惠券、优化最短路线，推荐合适车型和价格，对推荐的车型和价格进行 AB 测试等。 也要关注为什么下了订单却无法完成结账的问题，可以考虑司机绕路、司机无法在规定时间内到达起始地点等原因，需要根据更多的数据指标进一步探索

完单数量分析

分析结论

订单数量与司机在线数量相关性最大，说明司机多，也就是说明城市大，完成的订单数量更多，这样可以重点关注大城市，A 市司机最多，但 A 市在高峰期的在线司机数量存在下滑，可能存在一个司机采用多个网约车平台有关，提升司机的平台依赖性。对比工作日的 D 市，D 市晚间完单数较多，A 市白天的完单数较多。

司机数量分析

绘制多重折线图，各城市每日的司乘比如下图所示：

由上图可知：

C 市的司机是订单较多的，司机的主动性会更好，粘性更大，其余城市，均有提升空间

绘制各城市的订单流程数量折线图：

分析结论

C 城市虽然冒泡数最少，但是呼叫数、应答数直到完单数都是最多的

从周一到周日，C 市的订单数是最多的，但是在线的司机数却是最少的。A 市虽然冒泡最多，但是最终完成订单的数量较少，所以 A 市 是最需要关注的城市。其次是 E，再次是 D。 冒泡多 但完单少，可能是运营问题，也可能是竞争问题，也可能是交通问题。

时间分析

每日订单分析

绘制各市每日的完单数量折线图：

分析结论

C 城市虽然冒泡数最少，但是呼叫数、应答数直到完单数都是最多的 从上图可以看出，从周一到周四，C 市的完单数均高于其他城市，但是在周五，其他城市的完单数均高于 C 市

工作日各时段分析

绘制工作日各城市各时段完单数的折线图：

网约车的高峰期在 7 到 9 点、17 到 19 点，属于上下班和上下学的时间点。 中间 11 和 14 时间段有一个较大的波动，尤其是 C 市，原因是中午去吃饭和吃完饭对打车的需求比较大。 绘制周六日各城市各时段完单数的折线图

绘制工作日各城市各时段司机在线数的在折线图：

由上图可知，工作日司机的数量在 19 时达到最高峰，而此时的完单数已经降低，所以应该提早增加司机的数量。

周六日各时段分析

绘制周六日各城市各时段完单数的折线图：

周六日网约车的高峰期在 7 到 10、16 到 20 时。期间，部分是由加班造成，也符合周末人们出行游玩的时间点。 不同于工作日的是，在 16 到 17 之间，完单数呈持续上升趋势，原因是周末人们出行时间更自由，在这些时间段里，外出和回家的人更多，导致网约车订单数量增多。* 周末没有固定回家的时间，因此周六日晚上的高峰期要更晚一些，一直持续到 20 至 21 时。

绘制周六日各城市各时段司机在线数的折线图：

由上图可知，周六日司机在线数在 18、19 时达到最高峰，而此时的完单数已呈降趋势，所以应该提早增加司机数量 。

分析结论

应该根据工作日和周末的高峰时间不同需求，增加高峰期的司机数量，采取时段奖励等多种运营手段。

代码

代码语言：javascript复制

import pandas as pd
import numpy as np
from pyecharts import options as opts
from pyecharts.charts import Bar, Line, HeatMap, Funnel
rawdata = pd.read_csv(
    '/home/mw/input/car_hailing9900/ride-hailing_data.csv',
    encoding='gb2312')
# rawdata.drop(['Unnamed: 8','Unnamed: 9'],axis=1,inplace=True)
rawdata.head()

代码语言：javascript复制

rawdata.info()

<class ‘pandas.core.frame.DataFrame’> RangeIndex: 840 entries, 0 to 839 Data columns (total 8 columns): 星期 840 non-null object 时段 840 non-null int64 城市 840 non-null object 冒泡数 840 non-null int64 呼叫数 840 non-null int64 应答数 840 non-null int64 完单数 840 non-null int64 司机在线 840 non-null int64 dtypes: int64(6), object(2) memory usage: 52.6 KB

代码语言：javascript复制

# 最大显示行数
pd.set_option('display.max_rows', 10)

代码语言：javascript复制

# 转化率
change_rate = rawdata['完单数'] / rawdata['冒泡数']
data = pd.concat([rawdata, change_rate], axis=1).rename(columns={0: '转化率'})
data

代码语言：javascript复制

# 司乘比 在线的司机数 每天的平均接单数量
rate = (data['完单数']/data['司机在线'])
data = pd.concat([data, rate], axis=1).rename(columns={0: '司乘比'})
data

代码语言：javascript复制

# 司机接单意愿
rate = (data['应答数'] / data['司机在线'])
data = pd.concat([data, rate], axis=1).rename(columns={0: '司机接单'})
data

代码语言：javascript复制

# 相关性计算
cor = data.corr()
cor

代码语言：javascript复制

# 生成工作日特征
data['工作日']=data.apply(lambda x:1 if ((x.星期=='周一') | (x.星期=='周二') | (x.星期=='周三') | (x.星期=='周四') | (x.星期=='周五')) else 0,axis=1)
data

代码语言：javascript复制

# 相关性可视化
cor = data.corr()
cor

代码语言：javascript复制

# 相关性可视化
cor = data.corr()
value = [[x, y, round(cor.values[x][y], 2)]
         for x in range(11) for y in range(11)]
heatmap = HeatMap(init_opts=opts.InitOpts())
heatmap.add_xaxis(list(cor))
heatmap.add_yaxis(
    "",
    list(cor),
    value,
    label_opts=opts.LabelOpts(
        is_show=True,
        position="inside"))
heatmap.set_global_opts(
    title_opts=opts.TitleOpts(title="相关度"),
    visualmap_opts=opts.VisualMapOpts(max_=1),
    xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=30)))
heatmap.render_notebook()

从冒泡数、呼叫数到应答数，与完单数的相关度依次升高，此外，完单数与司机在线数有强烈的关系，与时段也有明显关系 司机在线数与时段具有明显关系，可见，在某些时段，司机在线数较多，某些时段较少 冒泡数、呼叫数、应答数与完单数与时段有明显的正相关，可见，在某些时段的订单多，而某些时段里订单少 转化率与司乘比呈较强的正相关，可见，司机数量与订单完成率有较强的关系 工作日与司乘比呈较弱正相关 司乘比与司机接单正相关，说明司机实际每天应答数量与司机每天完单高度相关。如果想提升完单率，可以尽可能的提升司机的应答数量。

目的是为了这个 app 提升收益

北极星指标就是完单数量，完单数量意味着盈利 ，

如何提升完单数量，

对于 ADE 城市来说，可以尝试多提升呼叫数和应答数 优化路线，提供优惠券增加呼叫数， 提供接单任务奖励提高应答数， 对司机进行培训提升完单数 对于 BC 城市来说，暂时来说，继续保持的，同时考虑 中午的接单数

完单率是可以优化的空间

代码语言：javascript复制

# 各市转化率
x_data = data["城市"].drop_duplicates().to_list()
y_data = data.groupby('城市')['转化率'].mean().apply(
    lambda x: round(x, 2)).to_list()
bar = Bar()
bar.add_xaxis(x_data)
bar.add_yaxis("各市转化率", y_data)
bar.render_notebook()

BC 城市转化率较好 ADE 城市转化率有提升空间

代码语言：javascript复制

# 各步骤转化率
funnel_data = data.copy(deep=True)
# 冒泡->呼叫转化率
rate = ( data['呼叫数'] / data['冒泡数'] )
funnel_data.insert(4, "冒->呼",rate, allow_duplicates=False)
# 呼叫->应答转化率
rate = ( data['应答数'] / data['呼叫数'] )
funnel_data.insert(6, "呼->应",rate, allow_duplicates=False)
# 应答->完单转化率
rate = ( data['完单数'] / data['应答数'] )
funnel_data.insert(8, "应->完",rate, allow_duplicates=False)
funnel_data

代码语言：javascript复制

# A市漏斗转换图函数
def funnel_show(funnel_data, city_name):
    change_df = data[data['城市'] == city_name][[
        '冒泡数', '呼叫数', '应答数', '完单数']].sum()
    change_data = [
        list(z) for z in zip(
            change_df.index.tolist(),
            change_df.values.tolist())]
    change_rate = funnel_data[funnel_data['城市'] ==
                              city_name][['冒->呼', '呼->应', '应->完']].mean()
    funnel_value = change_rate.values.tolist()
    funnel_value.insert(0, 1)
    attr_trans = [
        change_df.index.tolist()[i] "-" "%.2f%%" %
        (funnel_value[i]*100) for i in range(4)]
    funnel = (
        Funnel()
        .add("流程", [list(z) for z in zip(attr_trans, change_df)],
             label_opts=opts.LabelOpts(
            font_size=13, position="right", formatter="{b}-{c}"),
            tooltip_opts=opts.TooltipOpts(trigger='item',
                                          formatter="{a} <br/>{b} : {c}",
                                          background_color="#ffd1df",
                                          border_color="#ffffd4",
                                          border_width=4,
                                          textstyle_opts=opts.TextStyleOpts(font_size=14, color='blue'),))
        .set_global_opts(title_opts=opts.TitleOpts(title=city_name "转化漏斗图"))
    )
    return funnel


funnel_show(funnel_data, "A市").render_notebook()

代码语言：javascript复制

funnel_show(funnel_data, "B市").render_notebook()

代码语言：javascript复制

funnel_show(funnel_data, "C市").render_notebook()

代码语言：javascript复制

funnel_show(funnel_data, "D市").render_notebook()

代码语言：javascript复制

funnel_show(funnel_data, "E市").render_notebook()

代码语言：javascript复制

# 各城市司乘比
x_data = data["城市"].drop_duplicates().to_list()
y_data = data.groupby('城市')['司乘比'].mean().apply(
    lambda x: round(x, 2)).to_list()
x_data
y_data
bar = (
    Bar()
    .add_xaxis(x_data)
    .add_yaxis('各市司乘比', y_data)
)
bar.render_notebook()

说明 C 市 每位司机 每小时接单量最多

代码语言：javascript复制

# 各市每日司乘比
x_data = ['周一', '周二', '周三', '周四', '周五', '周六', '周日']
y1 = data[data['城市'] == 'A市'].groupby(
    '星期')['司乘比'].mean().apply(lambda x: round(x, 2)).to_list()
y2 = data[data['城市'] == 'B市'].groupby(
    '星期')['司乘比'].mean().apply(lambda x: round(x, 2)).to_list()
y3 = data[data['城市'] == 'C市'].groupby(
    '星期')['司乘比'].mean().apply(lambda x: round(x, 2)).to_list()
y4 = data[data['城市'] == 'D市'].groupby(
    '星期')['司乘比'].mean().apply(lambda x: round(x, 2)).to_list()
y5 = data[data['城市'] == 'E市'].groupby(
    '星期')['司乘比'].mean().apply(lambda x: round(x, 2)).to_list()
line = (
    Line()
    .add_xaxis(xaxis_data=x_data)
    .add_yaxis(series_name="A市", y_axis=y1)
    .add_yaxis(series_name="B市", y_axis=y2)
    .add_yaxis(series_name="C市", y_axis=y3)
    .add_yaxis(series_name="D市", y_axis=y4)
    .add_yaxis(series_name="E市", y_axis=y5)
    .set_global_opts(title_opts=opts.TitleOpts(title="司乘比"))
)
line.render_notebook()

由上图可知： 周五和周日的司乘比最多，司机的接单量增加， 从周一到周日，C 市的司乘比最多，说明 C 市的司机接单意愿和实际接单数最好，说明运营和区 app 使用量较好

代码语言：javascript复制

x_data = ['冒泡数', '呼叫数', '应答数', '完单数']
y1 = [round(data[data['城市'] == 'A市']['冒泡数'].mean(),
            2),
      round(data[data['城市'] == 'A市']['呼叫数'].mean(),
            2),
      round(data[data['城市'] == 'A市']['应答数'].mean(),
            2),
      round(data[data['城市'] == 'A市']['完单数'].mean(),
            2)]
y2 = [round(data[data['城市'] == 'B市']['冒泡数'].mean(),
            2),
      round(data[data['城市'] == 'B市']['呼叫数'].mean(),
            2),
      round(data[data['城市'] == 'B市']['应答数'].mean(),
            2),
      round(data[data['城市'] == 'B市']['完单数'].mean(),
            2)]
y3 = [round(data[data['城市'] == 'C市']['冒泡数'].mean(),
            2),
      round(data[data['城市'] == 'C市']['呼叫数'].mean(),
            2),
      round(data[data['城市'] == 'C市']['应答数'].mean(),
            2),
      round(data[data['城市'] == 'C市']['应答数'].mean(),
            2)]
y4 = [round(data[data['城市'] == 'D市']['冒泡数'].mean(),
            2),
      round(data[data['城市'] == 'D市']['呼叫数'].mean(),
            2),
      round(data[data['城市'] == 'D市']['应答数'].mean(),
            2),
      round(data[data['城市'] == 'D市']['完单数'].mean(),
            2)]
y5 = [round(data[data['城市'] == 'E市']['冒泡数'].mean(),
            2),
      round(data[data['城市'] == 'E市']['呼叫数'].mean(),
            2),
      round(data[data['城市'] == 'E市']['应答数'].mean(),
            2),
      round(data[data['城市'] == 'E市']['完单数'].mean(),
            2)]
line = (
    Line()
    .add_xaxis(xaxis_data=x_data)
    .add_yaxis(series_name="A市", y_axis=y1)
    .add_yaxis(series_name="B市", y_axis=y2)
    .add_yaxis(series_name="C市", y_axis=y3)
    .add_yaxis(series_name="D市", y_axis=y4)
    .add_yaxis(series_name="E市", y_axis=y5)
    .set_global_opts(title_opts=opts.TitleOpts(title="订单流程"))
)
line.render_notebook()

C 城市虽然冒泡数最少，但是呼叫数、应答数直到完单数都是最多的

从周一到周日，C 市的订单数是最多的，但是在线的司机数却是最少的。因此，要增加 C 市司机的数量。 A 市虽然冒泡最多，但是最终完成订单的数量较少，所以 A 市 是最需要关注的城市。其次是 E，再次是 D。 冒泡多 但完单少，可能是运营问题，也可能是竞争问题，也可能是交通问题。

代码语言：javascript复制

#各市每日完单数
x_data = ['周一','周二','周三','周四','周五','周六','周日']
y1=data[data['城市'] == 'A市'].groupby('星期')['完单数'].mean().apply(lambda x: round(x,1)).to_list()
y2=data[data['城市'] == 'B市'].groupby('星期')['完单数'].mean().apply(lambda x: round(x,1)).to_list()
y3=data[data['城市'] == 'C市'].groupby('星期')['完单数'].mean().apply(lambda x: round(x,1)).to_list()
y4=data[data['城市'] == 'D市'].groupby('星期')['完单数'].mean().apply(lambda x: round(x,1)).to_list()
y5=data[data['城市'] == 'E市'].groupby('星期')['完单数'].mean().apply(lambda x: round(x,1)).to_list()
line=(
    Line()
    .add_xaxis(xaxis_data=x_data)
    .add_yaxis(series_name="A市",y_axis=y1)
    .add_yaxis(series_name="B市",y_axis=y2)
    .add_yaxis(series_name="C市",y_axis=y3)
    .add_yaxis(series_name="D市",y_axis=y4)
    .add_yaxis(series_name="E市",y_axis=y5)
    .set_global_opts(title_opts=opts.TitleOpts(title="各市每日完单数"))
)
line.render_notebook()

代码语言：javascript复制

#工作日各市各时段完单数
x_data = ['0','1','2','3','4','5','6','7','8','9','10','11','12','13','14','15','16','17','18','19','20','21','22','23']
y1=data[(data['城市'] == 'A市') & (data['工作日'] == 1)].groupby('时段')['完单数'].mean().apply(lambda x: round(x,1)).to_list()
y2=data[(data['城市'] == 'B市') & (data['工作日'] == 1)].groupby('时段')['完单数'].mean().apply(lambda x: round(x,1)).to_list()
y3=data[(data['城市'] == 'C市') & (data['工作日'] == 1)].groupby('时段')['完单数'].mean().apply(lambda x: round(x,1)).to_list()
y4=data[(data['城市'] == 'D市') & (data['工作日'] == 1)].groupby('时段')['完单数'].mean().apply(lambda x: round(x,1)).to_list()
y5=data[(data['城市'] == 'E市') & (data['工作日'] == 1)].groupby('时段')['完单数'].mean().apply(lambda x: round(x,1)).to_list()
line=(
    Line()
    .add_xaxis(xaxis_data=x_data)
    .add_yaxis(series_name="A市",y_axis=y1)
    .add_yaxis(series_name="B市",y_axis=y2)
    .add_yaxis(series_name="C市",y_axis=y3)
    .add_yaxis(series_name="D市",y_axis=y4)
    .add_yaxis(series_name="E市",y_axis=y5)
    .set_global_opts(title_opts=opts.TitleOpts(title="工作日各市各时段完单数"))
)
line.render_notebook()

代码语言：javascript复制

# 工作日各市各时段冒泡数
x_data = [
    '0',
    '1',
    '2',
    '3',
    '4',
    '5',
    '6',
    '7',
    '8',
    '9',
    '10',
    '11',
    '12',
    '13',
    '14',
    '15',
    '16',
    '17',
    '18',
    '19',
    '20',
    '21',
    '22',
    '23']
y1 = data[(data['城市'] == 'A市') & (data['工作日'] == 1)].groupby(
    '时段')['冒泡数'].mean().apply(lambda x: round(x, 1)).to_list()
y2 = data[(data['城市'] == 'B市') & (data['工作日'] == 1)].groupby(
    '时段')['冒泡数'].mean().apply(lambda x: round(x, 1)).to_list()
y3 = data[(data['城市'] == 'C市') & (data['工作日'] == 1)].groupby(
    '时段')['冒泡数'].mean().apply(lambda x: round(x, 1)).to_list()
y4 = data[(data['城市'] == 'D市') & (data['工作日'] == 1)].groupby(
    '时段')['冒泡数'].mean().apply(lambda x: round(x, 1)).to_list()
y5 = data[(data['城市'] == 'E市') & (data['工作日'] == 1)].groupby(
    '时段')['冒泡数'].mean().apply(lambda x: round(x, 1)).to_list()
line = (
    Line()
    .add_xaxis(xaxis_data=x_data)
    .add_yaxis(series_name="A市", y_axis=y1)
    .add_yaxis(series_name="B市", y_axis=y2)
    .add_yaxis(series_name="C市", y_axis=y3)
    .add_yaxis(series_name="D市", y_axis=y4)
    .add_yaxis(series_name="E市", y_axis=y5)
    .set_global_opts(title_opts=opts.TitleOpts(title="工作日各市各时段冒泡数"))
)
line.render_notebook()

代码语言：javascript复制

# 工作日各市各时段呼叫数
x_data = [
    '0',
    '1',
    '2',
    '3',
    '4',
    '5',
    '6',
    '7',
    '8',
    '9',
    '10',
    '11',
    '12',
    '13',
    '14',
    '15',
    '16',
    '17',
    '18',
    '19',
    '20',
    '21',
    '22',
    '23']
y1 = data[(data['城市'] == 'A市') & (data['工作日'] == 1)].groupby(
    '时段')['呼叫数'].mean().apply(lambda x: round(x, 1)).to_list()
y2 = data[(data['城市'] == 'B市') & (data['工作日'] == 1)].groupby(
    '时段')['呼叫数'].mean().apply(lambda x: round(x, 1)).to_list()
y3 = data[(data['城市'] == 'C市') & (data['工作日'] == 1)].groupby(
    '时段')['呼叫数'].mean().apply(lambda x: round(x, 1)).to_list()
y4 = data[(data['城市'] == 'D市') & (data['工作日'] == 1)].groupby(
    '时段')['呼叫数'].mean().apply(lambda x: round(x, 1)).to_list()
y5 = data[(data['城市'] == 'E市') & (data['工作日'] == 1)].groupby(
    '时段')['呼叫数'].mean().apply(lambda x: round(x, 1)).to_list()
line = (
    Line()
    .add_xaxis(xaxis_data=x_data)
    .add_yaxis(series_name="A市", y_axis=y1)
    .add_yaxis(series_name="B市", y_axis=y2)
    .add_yaxis(series_name="C市", y_axis=y3)
    .add_yaxis(series_name="D市", y_axis=y4)
    .add_yaxis(series_name="E市", y_axis=y5)
    .set_global_opts(title_opts=opts.TitleOpts(title="工作日各市各时段呼叫数"))
)
line.render_notebook()

代码语言：javascript复制

#工作日各市各时段应答数
x_data = ['0','1','2','3','4','5','6','7','8','9','10','11','12','13','14','15','16','17','18','19','20','21','22','23']
y1=data[(data['城市'] == 'A市') & (data['工作日'] == 1)].groupby('时段')['应答数'].mean().apply(lambda x: round(x,1)).to_list()
y2=data[(data['城市'] == 'B市') & (data['工作日'] == 1)].groupby('时段')['应答数'].mean().apply(lambda x: round(x,1)).to_list()
y3=data[(data['城市'] == 'C市') & (data['工作日'] == 1)].groupby('时段')['应答数'].mean().apply(lambda x: round(x,1)).to_list()
y4=data[(data['城市'] == 'D市') & (data['工作日'] == 1)].groupby('时段')['应答数'].mean().apply(lambda x: round(x,1)).to_list()
y5=data[(data['城市'] == 'E市') & (data['工作日'] == 1)].groupby('时段')['应答数'].mean().apply(lambda x: round(x,1)).to_list()
line=(
    Line()
    .add_xaxis(xaxis_data=x_data)
    .add_yaxis(series_name="A市",y_axis=y1)
    .add_yaxis(series_name="B市",y_axis=y2)
    .add_yaxis(series_name="C市",y_axis=y3)
    .add_yaxis(series_name="D市",y_axis=y4)
    .add_yaxis(series_name="E市",y_axis=y5)
    .set_global_opts(title_opts=opts.TitleOpts(title="工作日各市各时段应答数"))
)
line.render_notebook()

代码语言：javascript复制

#工作日各市各时段转化率
x_data = ['0','1','2','3','4','5','6','7','8','9','10','11','12','13','14','15','16','17','18','19','20','21','22','23']
y1=data[(data['城市'] == 'A市') & (data['工作日'] == 1)].groupby('时段')['转化率'].mean().apply(lambda x: round(x,2)).to_list()
y2=data[(data['城市'] == 'B市') & (data['工作日'] == 1)].groupby('时段')['转化率'].mean().apply(lambda x: round(x,2)).to_list()
y3=data[(data['城市'] == 'C市') & (data['工作日'] == 1)].groupby('时段')['转化率'].mean().apply(lambda x: round(x,2)).to_list()
y4=data[(data['城市'] == 'D市') & (data['工作日'] == 1)].groupby('时段')['转化率'].mean().apply(lambda x: round(x,2)).to_list()
y5=data[(data['城市'] == 'E市') & (data['工作日'] == 1)].groupby('时段')['转化率'].mean().apply(lambda x: round(x,2)).to_list()
line=(
    Line()
    .add_xaxis(xaxis_data=x_data)
    .add_yaxis(series_name="A市",y_axis=y1)
    .add_yaxis(series_name="B市",y_axis=y2)
    .add_yaxis(series_name="C市",y_axis=y3)
    .add_yaxis(series_name="D市",y_axis=y4)
    .add_yaxis(series_name="E市",y_axis=y5)
    .set_global_opts(title_opts=opts.TitleOpts(title="工作日各市各时段转化率"))
)
line.render_notebook()

小城市 BC C 市应该是一个小城市 0-4 点 完单率较低 可以考虑下，这个时间段的冒泡数 呼叫数 应答数 完单数 B 市 各个时间段 完单率都较好 0.4

大城市 ADE A 市 各个时间段 完单率都较低 说明可能不是市内交通环境 ，而是运营或是竞争的问题 A 市在 9 点早高峰，达到最佳 0.37 说明 A 市是有需求的 D 市 0-5 点 完单率最好 比白天还要好，说明可能是与交通有关 E 市 各个时间段 完单率都较低 说明可能不是市内交通环境 ，而是运营或是竞争的问题

代码语言：javascript复制

x_data = [
    '0',
    '1',
    '2',
    '3',
    '4',
    '5',
    '6',
    '7',
    '8',
    '9',
    '10',
    '11',
    '12',
    '13',
    '14',
    '15',
    '16',
    '17',
    '18',
    '19',
    '20',
    '21',
    '22',
    '23']
y1 = data[(data['城市'] == 'A市') & (data['工作日'] == 1)].groupby(
    '时段')['司机在线'].mean().apply(lambda x: round(x, 1)).to_list()
y2 = data[(data['城市'] == 'B市') & (data['工作日'] == 1)].groupby(
    '时段')['司机在线'].mean().apply(lambda x: round(x, 1)).to_list()
y3 = data[(data['城市'] == 'C市') & (data['工作日'] == 1)].groupby(
    '时段')['司机在线'].mean().apply(lambda x: round(x, 1)).to_list()
y4 = data[(data['城市'] == 'D市') & (data['工作日'] == 1)].groupby(
    '时段')['司机在线'].mean().apply(lambda x: round(x, 1)).to_list()
y5 = data[(data['城市'] == 'E市') & (data['工作日'] == 1)].groupby(
    '时段')['司机在线'].mean().apply(lambda x: round(x, 1)).to_list()
line = (
    Line()
    .add_xaxis(xaxis_data=x_data)
    .add_yaxis(series_name="A市", y_axis=y1)
    .add_yaxis(series_name="B市", y_axis=y2)
    .add_yaxis(series_name="C市", y_axis=y3)
    .add_yaxis(series_name="D市", y_axis=y4)
    .add_yaxis(series_name="E市", y_axis=y5)
    .set_global_opts(title_opts=opts.TitleOpts(title="工作日各市各时段司机在线数"))
)
line.render_notebook()

C 城市 夜晚司机太少 可以增加夜晚司机的任务完成奖励

代码语言：javascript复制

# 周六日日各市各时段完单数
x_data = [
    '0',
    '1',
    '2',
    '3',
    '4',
    '5',
    '6',
    '7',
    '8',
    '9',
    '10',
    '11',
    '12',
    '13',
    '14',
    '15',
    '16',
    '17',
    '18',
    '19',
    '20',
    '21',
    '22',
    '23']
y1 = data[(data['城市'] == 'A市') & (data['工作日'] == 0)].groupby(
    '时段')['完单数'].mean().apply(lambda x: round(x, 1)).to_list()
y2 = data[(data['城市'] == 'B市') & (data['工作日'] == 0)].groupby(
    '时段')['完单数'].mean().apply(lambda x: round(x, 1)).to_list()
y3 = data[(data['城市'] == 'C市') & (data['工作日'] == 0)].groupby(
    '时段')['完单数'].mean().apply(lambda x: round(x, 1)).to_list()
y4 = data[(data['城市'] == 'D市') & (data['工作日'] == 0)].groupby(
    '时段')['完单数'].mean().apply(lambda x: round(x, 1)).to_list()
y5 = data[(data['城市'] == 'E市') & (data['工作日'] == 0)].groupby(
    '时段')['完单数'].mean().apply(lambda x: round(x, 1)).to_list()
line = (
    Line()
    .add_xaxis(xaxis_data=x_data)
    .add_yaxis(series_name="A市", y_axis=y1)
    .add_yaxis(series_name="B市", y_axis=y2)
    .add_yaxis(series_name="C市", y_axis=y3)
    .add_yaxis(series_name="D市", y_axis=y4)
    .add_yaxis(series_name="E市", y_axis=y5)
    .set_global_opts(title_opts=opts.TitleOpts(title="周六日各市各时段完单数"))
)
line.render_notebook()

代码语言：javascript复制

x_data = [
    '0',
    '1',
    '2',
    '3',
    '4',
    '5',
    '6',
    '7',
    '8',
    '9',
    '10',
    '11',
    '12',
    '13',
    '14',
    '15',
    '16',
    '17',
    '18',
    '19',
    '20',
    '21',
    '22',
    '23']
y1 = data[(data['城市'] == 'A市') & (data['工作日'] == 1)].groupby(
    '时段')['司机在线'].mean().apply(lambda x: round(x, 1)).to_list()
y2 = data[(data['城市'] == 'B市') & (data['工作日'] == 1)].groupby(
    '时段')['司机在线'].mean().apply(lambda x: round(x, 1)).to_list()
y3 = data[(data['城市'] == 'C市') & (data['工作日'] == 1)].groupby(
    '时段')['司机在线'].mean().apply(lambda x: round(x, 1)).to_list()
y4 = data[(data['城市'] == 'D市') & (data['工作日'] == 1)].groupby(
    '时段')['司机在线'].mean().apply(lambda x: round(x, 1)).to_list()
y5 = data[(data['城市'] == 'E市') & (data['工作日'] == 1)].groupby(
    '时段')['司机在线'].mean().apply(lambda x: round(x, 1)).to_list()
line = (
    Line()
    .add_xaxis(xaxis_data=x_data)
    .add_yaxis(series_name="A市", y_axis=y1)
    .add_yaxis(series_name="B市", y_axis=y2)
    .add_yaxis(series_name="C市", y_axis=y3)
    .add_yaxis(series_name="D市", y_axis=y4)
    .add_yaxis(series_name="E市", y_axis=y5)
    .set_global_opts(title_opts=opts.TitleOpts(title="工作日各市各时段司机在线数"))
)
line.render_notebook()

代码语言：javascript复制

# 周六日日各市各时段完单数
x_data = [
    '0',
    '1',
    '2',
    '3',
    '4',
    '5',
    '6',
    '7',
    '8',
    '9',
    '10',
    '11',
    '12',
    '13',
    '14',
    '15',
    '16',
    '17',
    '18',
    '19',
    '20',
    '21',
    '22',
    '23']
y1 = data[(data['城市'] == 'A市') & (data['工作日'] == 0)].groupby(
    '时段')['完单数'].mean().apply(lambda x: round(x, 1)).to_list()
y2 = data[(data['城市'] == 'B市') & (data['工作日'] == 0)].groupby(
    '时段')['完单数'].mean().apply(lambda x: round(x, 1)).to_list()
y3 = data[(data['城市'] == 'C市') & (data['工作日'] == 0)].groupby(
    '时段')['完单数'].mean().apply(lambda x: round(x, 1)).to_list()
y4 = data[(data['城市'] == 'D市') & (data['工作日'] == 0)].groupby(
    '时段')['完单数'].mean().apply(lambda x: round(x, 1)).to_list()
y5 = data[(data['城市'] == 'E市') & (data['工作日'] == 0)].groupby(
    '时段')['完单数'].mean().apply(lambda x: round(x, 1)).to_list()
line = (
    Line()
    .add_xaxis(xaxis_data=x_data)
    .add_yaxis(series_name="A市", y_axis=y1)
    .add_yaxis(series_name="B市", y_axis=y2)
    .add_yaxis(series_name="C市", y_axis=y3)
    .add_yaxis(series_name="D市", y_axis=y4)
    .add_yaxis(series_name="E市", y_axis=y5)
    .set_global_opts(title_opts=opts.TitleOpts(title="周六日各市各时段完单数"))
)
line.render_notebook()

代码语言：javascript复制

#周六日各市各时段转化率
x_data = ['0','1','2','3','4','5','6','7','8','9','10','11','12','13','14','15','16','17','18','19','20','21','22','23']
y1=data[(data['城市'] == 'A市') & (data['工作日'] == 1)].groupby('时段')['转化率'].mean().apply(lambda x: round(x,2)).to_list()
y2=data[(data['城市'] == 'B市') & (data['工作日'] == 1)].groupby('时段')['转化率'].mean().apply(lambda x: round(x,2)).to_list()
y3=data[(data['城市'] == 'C市') & (data['工作日'] == 1)].groupby('时段')['转化率'].mean().apply(lambda x: round(x,2)).to_list()
y4=data[(data['城市'] == 'D市') & (data['工作日'] == 1)].groupby('时段')['转化率'].mean().apply(lambda x: round(x,2)).to_list()
y5=data[(data['城市'] == 'E市') & (data['工作日'] == 1)].groupby('时段')['转化率'].mean().apply(lambda x: round(x,2)).to_list()
line=(
    Line()
    .add_xaxis(xaxis_data=x_data)
    .add_yaxis(series_name="A市",y_axis=y1)
    .add_yaxis(series_name="B市",y_axis=y2)
    .add_yaxis(series_name="C市",y_axis=y3)
    .add_yaxis(series_name="D市",y_axis=y4)
    .add_yaxis(series_name="E市",y_axis=y5)
    .set_global_opts(title_opts=opts.TitleOpts(title="周六日各市各时段转化率"))
)
line.render_notebook()

1等奖作品-虾虾蟹蟹哈哈的作品

参考:关于网约车数据的探索

引言：背景