### 实现一天内各时段平均租赁量的可视化 要完成这一目标，可以通过以下方式实现：加载数据集并对时间字段进行解析，按小时或半小时聚合租赁数量，并利用 `matplotlib` 或 `seaborn` 库绘制折线图。 以下是完整的代码示例： ```python import pandas as pd import matplotlib.pyplot as plt import seaborn as sns # 假设数据集中有一个名为 'order_time' 的列表示订单时间，以及一个名为 'quantity' 的列表示订单数量 data = pd.read_csv('orders.csv') # 将 order_time 转换为 datetime 类型 data['order_time'] = pd.to_datetime(data['order_time']) # 提取小时和分钟信息 data['hour'] = data['order_time'].dt.hour data['minute'] = data['order_time'].dt.minute # 创建一个新的时间段列，按照每 30 分钟划分 data['time_period'] = data.apply(lambda row: f"{row['hour']}:{str(row['minute']).zfill(2)}", axis=1) # 对于每 30 分钟的时间段重新分组 def get_half_hour(time_str): hour, minute = map(int, time_str.split(':')) half_hour = (minute // 30) * 30 return f"{hour}:{half_hour}" data['time_period'] = data['time_period'].apply(get_half_hour) # 计算每个时间段内的平均租赁数量 average_orders_per_period = data.groupby('time_period')['quantity'].mean().reset_index() # 排序以便正确绘制图形 average_orders_per_period.sort_values(by='time_period', inplace=True) # 绘制折线图 plt.figure(figsize=(14, 7)) sns.lineplot(x='time_period', y='quantity', data=average_orders_per_period, marker='o') plt.xticks(rotation=90) plt.title('一天内各时段平均租赁量变化趋势', fontsize=16) plt.xlabel('时间段 (HH:mm)', fontsize=14) plt.ylabel('平均租赁数量', fontsize=14) plt.grid(True) plt.tight_layout() plt.show() ``` 上述代码实现了以下几个功能： - 数据预处理阶段通过提取时间和分钟字段来定义具体的时间段[^1]。 - 使用自定义函数将时间划分为每 30 分钟一段的数据区间。 - 利用 Pandas 的 `groupby()` 方法计算每个时间段内的平均租赁数量。 - 最终借助 Seaborn 和 Matplotlib 完成高质量的折线图展示[^3]。 #### 关键点说明 1. **时间分割** 时间被精确到每 30 分钟一次间隔，便于观察短周期的变化规律。 2. **数据清洗与转换** 确保原始数据中的时间戳能够正确解析为 Python 的 `datetime` 格式，这是后续操作的基础。 3. **绘图优化** 设置合理的字体大小、旋转角度以及网格样式使图表更加清晰易读。 ---