Kaggle项目：一次 Uber 出行数据分析的完整思路

🚖 Kaggle 项目经验分享：Uber 出行数据分析实战

最近我在 Kaggle 上做了一个 Uber 出行数据分析 的小项目。本来数据是公开的，但后来数据分享者把数据集设置成了私有，现在已经无法直接复现 😢。不过没关系，这次我还是想把我的分析思路、方法以及一些业务洞察整理出来，分享给大家。

1. 项目背景

网约车平台的运营，离不开对 用户出行行为、司机接单习惯、支付方式、取消原因 等数据的理解。通过数据分析，我们能回答很多有价值的问题：

• 哪些区域和路线最受欢迎？
• 哪些车型贡献了最多营收？
• 为什么订单会被取消？是司机问题还是用户问题？
• 在什么时间段，出行需求最高？

在这个项目里，我主要目标是：

• 熟悉 Uber 出行业务的数据结构。
• 从订单分布、营收、完成率等角度探索出行业务模式。
• 通过可视化把业务问题更直观地呈现出来。

---

2. 数据处理与探索

✅ 缺失值处理

数据并不完美，缺失和异常很常见。比如：

• 评分字段：缺失时按车型均值填补。
• 订单金额：缺失时用行程距离近似替代。
• 支付方式 ：缺失时统一标记为 Unknown。

# 填补评分缺失
num_cols_to_fill = ['Avg VTAT', 'Avg CTAT', 'Driver Ratings', 'Customer Rating']
for col in num_cols_to_fill:
    df[col] = df.groupby('Vehicle Type')[col].transform(lambda x: x.fillna(x.mean()))

# 金额缺失处理
df['Booking Value'] = np.where(df['Booking Value'].isnull(), df['Ride Distance'], df['Booking Value'])

# 支付方式缺失处理
df['Payment Method'] = df['Payment Method'].fillna('Unknown')

✅ 一致性检查

• 如果订单状态是 Completed，金额必须存在。
• 如果订单是 Cancelled，金额应该为空。

这类规则校验在真实业务中非常重要。

---

3. 数据分析与可视化

我分为两个部分来做：

• 描述性分析（主要回答"现状是什么"）。
• 解释性分析（进一步回答"为什么会这样"）。

---

3.1 热门地点与路线

• Top 20 上车点/下车点：需求高度集中在交通枢纽和商圈。
• Top 10 路线：多是住宅区 ↔ 商业区，符合通勤逻辑。

top_routes = (
    df.groupby(['Pickup Location', 'Drop Location'])
    .size()
    .reset_index(name='count')
    .sort_values(by='count', ascending=False)
    .head(10)
)

plt.figure(figsize=(10, 6))
plt.barh(
    [f"{row['Pickup Location']} → {row['Drop Location']}" for _, row in top_routes.iterrows()],
    top_routes['count'],
    color='coral'
)
plt.title("Top 10 Routes by Order Count")
plt.gca().invert_yaxis()
plt.show()

👉 派单调度和区域补贴策略，可以基于这些信息优化。

---

3.2 车型分析

• 订单占比：经济型车型占大多数。
• 平均金额：高端车型单均值明显更高。
• 营收贡献：虽然经济型量大，但中高端车型在总营收中也很有分量。

vehicle_revenue = (
    df.groupby('Vehicle Type')['Booking Value']
    .sum()
    .reset_index()
    .sort_values(by='Booking Value', ascending=False)
)

sns.barplot(x='Vehicle Type', y='Booking Value', data=vehicle_revenue, palette='Greens_d')
plt.title('Total Revenue Contribution by Vehicle Type')
plt.show()

👉 平台要在"量"和"利"之间找到平衡点。

---

3.3 支付方式分析

• 大部分用户选择电子支付。
• 现金支付比例低，但有时与取消率相关。

payment_completion = (
    df.groupby('Payment Method')['Booking Status']
    .apply(lambda x: (x == 'Completed').mean())
    .reset_index(name='Completion Rate')
)

sns.barplot(x='Payment Method', y='Completion Rate', data=payment_completion, palette='Set3')
plt.title("Completion Rate by Payment Method")
plt.show()

👉 在一些数据中，现金支付订单的完成率会显著低于电子支付。

---

3.4 订单完成率分析

距离区间 vs 完成率

bins = [0, 5, 15, 50]
labels = ['Short (0-5km)', 'Medium (5-15km)', 'Long (15km+)']
df['Distance Category'] = pd.cut(df['Ride Distance'], bins=bins, labels=labels, right=False)

completion_rate = (
    df.groupby('Distance Category')['Booking Status']
    .apply(lambda x: (x == 'Completed').mean())
    .reset_index(name='Completion Rate')
)

👉 越长途，越容易被取消。

车型 vs 完成率

vehicle_completion = (
    df.groupby('Vehicle Type')['Booking Status']
    .apply(lambda x: (x == 'Completed').mean())
    .reset_index(name='Completion Rate')
    .sort_values('Completion Rate', ascending=False)
)

👉 高端车型因为等待时间长，完成率往往低于经济型车型。

---

3.5 用户 vs 司机 取消对比

cancel_summary = {
    "Customer Cancelled": (df['Booking Status'] == 'Cancelled by Customer').mean(),
    "Driver Cancelled": (df['Booking Status'] == 'Cancelled by Driver').mean()
}

sns.barplot(x=list(cancel_summary.keys()), y=list(cancel_summary.values()), palette='pastel')
plt.title("Cancellation Rate: Customer vs Driver")
plt.show()

👉 如果用户取消率高，说明体验不好（比如等待太久）；如果司机取消率高，说明供给侧不稳定。

---

3.6 时间维度分析

df['Booking Time'] = pd.to_datetime(df['Booking Time'])
df['Hour'] = df['Booking Time'].dt.hour

hourly_orders = df.groupby('Hour').size()
hourly_orders.plot(kind='bar', color='steelblue')
plt.title("Order Count by Hour of Day")
plt.show()

👉 可以看到明显的 早晚高峰。

---

4. 收获与总结

这次项目虽然没能用到完整数据，但依然让我收获了很多：

1. 思路比数据更重要

   • 数据可能消失，但分析逻辑和方法是通用的。

2. 业务视角是关键

   • 不只是画图，而是要能解释为什么，找到优化的切入点。

3. 分析的"两个层次"

   • 描述性：告诉大家"现状是什么"。
   • 解释性：进一步回答"为什么是这样"。

4. 未来可以扩展

   • 结合用户分群、供需预测做更复杂的建模。
   • 加入时间序列预测，模拟未来出行需求。