Ⅰ 共享單車數據可視化分析（python/Seaborn）
項目數據來源於kaggle項目 Bike Share Demand ，使用Python對數據進行了可視化分析：
1. 提出問題
影響共享單車租用數量的因素有哪些？影響程度如何？
2. 理解數據
變數說明：
3.數據清洗
1)數據預處理：數據完整無缺失值
2)特徵工程：從datetime中提取年、月、日、時、星期等時間信息
4. 可視化分析
1）單車使用量在天氣維度上的分析（天氣、溫度、濕度和風速相關性）
可以看到，整體租車量受天氣影響較為明顯，極端的天氣租車數量減少。
4級天氣看起來有些異常，於是統計數據條目：
可以看到，4級天氣只有1條數據記錄，這種極端天氣情況出現的數據極少。
溫度和使用量有正相關關系，濕度與使用量有負相關關系，風速和使用量幾乎不相關。
由圖像可看出，使用量與溫度、濕度和風速的關系，相關性有限。
2）單車使用量在時間維度上的分析（月份、季節、時間、星期等相關性）
總量來看，節假日和周末/工作日的租車數量基本相同。
圖1可以看出2012年共享單車的使用量高於2011年，消費人群增加了1.5~2倍。兩年內租車量隨月份變化的趨勢相同，6、7、8月有明顯的高需求。
圖2可以看計程車時間高峰為上午7-8點，下午5-6點，符合上下班通勤的時間范圍。季節上看，春天的租車輛明顯少於其它三個季節。
圖3可以看出工作日租車輛主要為上下班時間，周末租車輛主要集中在10am-4pm之間。
3）單車使用量與注冊用戶/非注冊用戶的相關性
注冊人數使用量明顯高於非注冊人數，
非會員casual主要是周末出行，為了遊玩; 會員registered主要是為了周一到周五上班。
5. 總結
Ⅱ python 文件內容操作，如一個文件100萬條數據，查詢相同行數
使用open函數逐行讀取文件，依次對比，如包含要求字元串，則數量累加1，讀取完成後可統計出行數，代碼如下：
n=0
forlineinopen('filename','r'):
if'固定字元串'inline:
n+=1
print(n)
說明：
使用 for line in open這種方式可以提高代碼效率，如需要更復雜統計，例如重復行，則可以使用hash函數，把行hash值存入列表，再做統計。
Ⅲ nodejs 還是python
1.兩者均能結束服務端的需求，不分伯仲。就像我們買車相同，買車的意圖是為了出行，python和nodejs就像是路虎和群眾，兩者都是轎車，究竟誰的方位高?首要仍是看車主你的喜歡
了。相同，喜歡用python的人就會以為python方位高，擅長nodejs的人就會以為nodejs的方位高。但實際情況上時，截止現在兩者均在服務端發揮著重要作用，並沒有出現一個像轎車一個像自行車這
樣的明顯可比狀況。
2.Node.js比較Python有以下利益。
快，nodejs比python快在了V8引擎和非同步實行。Node.js根據V8引擎和非同步網路和IOLibrary，和Python的Twisted很像，不同的是Node.js的eventloop是在很底層的，我們都知道越接近
底層功率越高。
其他npm作為Node.js的官方packagemanagement，匯集了整個社區最會集的資源;而Python卻是easy_install和pip，還有python2和python3代碼不通用的問題;
Windows支撐：Node.js有微軟的支撐，在Windows上較安穩。libuv現已可以很好的兼容跨途徑，Python盡管也對Windows有官方的支撐，但總時不時出些問題，例如在win10上的一些裝置
包問題。