解析滴滴算法大赛---数据分析过程

目的和意义

很难有机会接触这么多的实际真实数据。通过对于这些数据的分析，初步了解大数据的处理方式。进一步掌握MongoDB的特性，熟练Excel的高级用法。这里只是做分析，不提供源代码，毕竟是一个比赛。这里只是做分析，不提供源代码，我也无意开发一个完整的程序。

题目分析(含数据源)

http://research.xiaojukeji.com/competition/detail.action?competitionId=DiTech2016

构建一个模型，根据天气，交通，区域里面的各种设施，以往历史数据，预测未来的某个时间点，某个区域里，打车需求的缺口。整个算法其实就是一个有监督的机器学习的过程。

数据整理

（5月20日版本）下载后的整个压缩数据包575M，其中包括的订单数据大约900万条。（其他Master表数据量很小，这里忽略不计）使用MongoDB存储的话，大概使用2GB的空间，全部导入之后，工作用计算机十分卡顿。MongoCola管理软件失去响应。所以，这里的订单按照日期导入。（训练的时候，按照天来训练）注意：官方的订单数据的订单号 OrderID是主键重复的。这里以第一次出现的订单号的数据为准。官方对于重复订单的解释：

Q: 在order info 中重复出现的数据应如何处理？ A: 数据重复是因为同一个用户可能在一个10分钟片同一个地区发单被多次应答，但是这样的情况并不多，影响并不大。为了简化问题，重复的订单不需要去重，直接计入到缺口的计算中。

关于订单的目标区域HashCode，这里发现一部分数据是无法找到的，可能是跨区域的。（全部订单：498789 ，目的地可以找到：406138，跨区域：92651）

由于数据量非常庞大，所以这里建议将中间的计算结果也放入数据库中备用。

订单数据整理

订单数据整理，主要是整理出各个时段，各个地域的订单数据。

时间段
地域编号
需求数
缺口
缺口比例

数据整理尽量使用LINQ进行处理，MONGODB查询是消耗时间的！！！，这里数据库只是用作数据的存储不做计算

private void btnImportDB_Click(object sender, EventArgs e)
        {
            string rootFolder = txtRootDir.Text;
            //Order: Root + "order_data"
            foreach (var filename in Directory.GetFiles(rootFolder + "\order_data"))
            {
                if (!filename.Contains("._"))
                {
                    string strDate = filename.Substring(filename.LastIndexOf("_") + 1);
                    var colname = "Order_" + strDate;
                    Database.Clear(colname);
                    var orderlist = new List<Order>();
                    var read = new StreamReader(filename);
                    while (!read.EndOfStream)
                    {
                        var o = Order.Gernerate(read.ReadLine());
                        orderlist.Add(o);
                    }
                    orderlist = orderlist.Distinct(x => x.order_id).ToList();
                    Database.InsertRecBatch(orderlist, colname);


                    var orderGaplist = new List<OrderGap>();
                    Database.Clear("OrderGap_" + strDate);
                    for (int time = 1; time < 144 + 1; time++)
                    {
                        for (int area = 1; area < 66 + 1; area++)
                        {
                            var m = new OrderGap() {  DistrictId = area,TimeSlient = time};
                            m.Total = orderlist.Count((x) => { return x.DistrictID == area && x.TimeSlient == time; });  
                            m.Gap = orderlist.Count((x) => { return x.DistrictID == area && x.TimeSlient == time && x.driver_id == "NULL" ; });
                            m.GapPercent = m.Total == 0 ? 0 : Math.Round(((double)m.Gap / m.Total) * 100, 2);
                            orderGaplist.Add(m);
                        }
                    }
                    Database.InsertRecBatch(orderGaplist, "OrderGap_" + strDate);
                    //暂时只分析一天数据
                    break;
                }
            }
        }

利用Excel，可视化数据

2016-01-01 分时图

以下是2016-01-01的数据分析。蓝色的是GAP缺口数，红色的是Total数。一天24个小时整体需求分布可以看个大概了。 PS 区域1 ：占整体的5.1%订单量，有一定的参考价值

区域51 ：占整体的22.5%订单量，有一定的参考价值

整体上看，所有区域的分时图 2016-01-01的数据图：

这里看到，整个24小时分布极不均衡。考虑到 01-01 是一个特殊的日子，大家为了跨年而在零点之后选择打车也是可以理解的。

2016-01-02 分时图

同样的51区域，2016-01-02的情况则比较正常，整体的高峰出现在夜间16：50 - 17：20（评价订单850）左右。21：10，22：00也是两个小高峰（平均订单720）。

各项指标分析

起始区域差距

以下数据为2016-01-01的数据统计

整体有效订单数：498789（订单ID去重复） 66个区域的订单分布是极其不均衡的.

MAX	MIN	AVG
112023	71	7557.4

排名后33位的，总共只有整体的4.37%的订单排名前5位的，总共只有整体的50.87%的订单

起始区域POI整体数目和订单数关系

我们将POI总数/30 和订单数一起放到柱状图中发现，POI总数和订单数应该有一些联系。一个区域POI数越多说明这个地区越是繁华，从这里打车的需求就越多。

POI子项目和订单关系

滴滴打车的POI分为了25个分类，我们选取了 2016-01-01 对于POI的分类和订单之间的关系也作了研究。按照实际来说，例如有100家KTV，则每家KTV为贡献一些订单。同理，如果是饭店，每家饭店也会贡献一些订单。这里的图表示了各个POI分类的数量和总体订单的关系。

如果有0100家N类POI，整体订单是100，则比率是01。
如果有1000家N类POI，整体订单是100，则比率是10,
如果有0010家N类POI，整体订单是100，则比率是0.1。这个比率越小表示该POI分类对于可能对于整体贡献越大。当然，如果该分类表示一些极为特殊的设施，例如市政府，则不在考虑之内。所以这里需要过滤掉POI数量过小的情况。（注意：这里为0的意思是没有该类别的POI。分子为0）

Q：为什么在POI信息表中有的类别没有用#区分？ A：不是所有设施级关系都是a#b：xx的格式，有的设施只有一级，而有的设施甚至有三级，#号只是表示分割层级的关系，如果是设施只有一级则为a:xx，而如果是2级则是a#b：xx，如果是3级则是a#b#c：xx，依次类推。
Q: 关于POI数据的分类一共分多少1级类目，多少2级类目，且是否有类目示意的对照表? A: 这个问题的答案都在数据中，参赛者可以自行统计。类目对应信息其实不是很重要，重要的是分析其和目标的关联程度。

天气和订单的关系

天气数据库是里面的数据分为PM2.5的值。天气状态编码（编码和实际对应关系未知），以及温度情况。按照道理来说，如果天气越差，则打车的需求就越旺盛。下面我们来分析一下天气和订单的关系。选择 2016-01-03作为分析对象。天气数据每个时间片测试两次，为了方便观察，我们选择第一次测试结果作为考察对象。

当天全时段的PM2.5和温度分时图

天气类型编号和天气描述，请参见滴滴算法大赛算法解决过程 - 机器学习

当天的全区域的订单情况分时图

从一天的时间看，在不明确天气类型的时候，PM2.5和温度对于整体的影响很难看到直接关联的证据。

关于WeekDay

我们考察最繁华的51区域，周一到周日对于订单量的关系。这里观察到并没有什么规律可循

第05区域也是这样的。

交通和订单的关系

这里的交通数据是每个区域里面，不同拥挤状况的道路条数。 2016-01-07 #51 区域分时拥堵状态图（0：10 -23：50 143个数据）

大部分情况下，Level1的道路条数占据了绝大多数。（LV4最拥堵）

看一下Level4 #51区域的情况