Case Study (R): analisi dati servizio di bike-sharing

mean(ds_all_trips_clean_length_correct$ride_length_hours) #hours straight average (total ride length hours / rides)
mean(ds_all_trips_clean_length_correct$ride_length_mins) #mins straight average (total ride length minutes / rides)
mean(ds_all_trips_clean_length_correct$ride_length_secs) #secs straight average (total ride length seconds / rides)

median(ds_all_trips_clean_length_correct$ride_length_hours) #midpoint number in the ascending array of hour ride lengths
median(ds_all_trips_clean_length_correct$ride_length_mins) #midpoint number in the ascending array of mins ride lengths
median(ds_all_trips_clean_length_correct$ride_length_secs) #midpoint number in the ascending array of secs ride lengths

max(ds_all_trips_clean_length_correct$ride_length_hours) #hours longest ride
max(ds_all_trips_clean_length_correct$ride_length_mins) #mins longest ride
max(ds_all_trips_clean_length_correct$ride_length_secs) #secs longest ride

min(ds_all_trips_clean_length_correct$ride_length_hours) #hours shortest ride
min(ds_all_trips_clean_length_correct$ride_length_mins) #mins shortest ride
min(ds_all_trips_clean_length_correct$ride_length_secs) #secs shortest ride

summary(ds_all_trips_clean_length_correct$ride_length_hours)
summary(ds_all_trips_clean_length_correct$ride_length_mins)
summary(ds_all_trips_clean_length_correct$ride_length_secs)

N.B. Tra media e mediana è preferibile prendere in considerazione la mediana.
La media è solitamente la misura più appropriata per determinare una posizione. Questo perché tiene conto di ogni valore nel set di dati. Tuttavia, i valori anomali nel set di dati possono influenzare la media portandola a non rappresentare accuratamente tutti i punteggi (come succede nel dataset usato in questo case study). Quindi, la mediana è una misura migliore poiché i valori anomali non la influenzano.

setNames(aggregate(ds_all_trips_clean_length_correct$ride_length_hours ~ ds_all_trips_clean_length_correct$member_casual, FUN = mean), c("clientela", "mean hours"))
setNames(aggregate(ds_all_trips_clean_length_correct$ride_length_mins ~ ds_all_trips_clean_length_correct$member_casual, FUN = mean), c("clientela", "mean mins"))
setNames(aggregate(ds_all_trips_clean_length_correct$ride_length_secs ~ ds_all_trips_clean_length_correct$member_casual, FUN = mean), c("clientela", "mean secs"))

setNames(aggregate(ds_all_trips_clean_length_correct$ride_length_hours ~ ds_all_trips_clean_length_correct$member_casual, FUN = median), c("clientela", "median hours"))
setNames(aggregate(ds_all_trips_clean_length_correct$ride_length_mins ~ ds_all_trips_clean_length_correct$member_casual, FUN = median), c("clientela", "median mins"))
setNames(aggregate(ds_all_trips_clean_length_correct$ride_length_secs ~ ds_all_trips_clean_length_correct$member_casual, FUN = median), c("clientela", "median secs"))

setNames(aggregate(ds_all_trips_clean_length_correct$ride_length_hours ~ ds_all_trips_clean_length_correct$member_casual, FUN = max), c("clientela", "max hours"))
setNames(aggregate(ds_all_trips_clean_length_correct$ride_length_mins ~ ds_all_trips_clean_length_correct$member_casual, FUN = max), c("clientela", "max mins"))
setNames(aggregate(ds_all_trips_clean_length_correct$ride_length_secs ~ ds_all_trips_clean_length_correct$member_casual, FUN = max), c("clientela", "max secs"))

setNames(aggregate(ds_all_trips_clean_length_correct$ride_length_hours ~ ds_all_trips_clean_length_correct$member_casual, FUN = min), c("clientela", "min hours"))
setNames(aggregate(ds_all_trips_clean_length_correct$ride_length_mins ~ ds_all_trips_clean_length_correct$member_casual, FUN = min), c("clientela", "min mins"))
setNames(aggregate(ds_all_trips_clean_length_correct$ride_length_secs ~ ds_all_trips_clean_length_correct$member_casual, FUN = min), c("clientela", "min secs"))

setNames(aggregate(ds_all_trips_clean_length_correct$ride_length_secs ~ ds_all_trips_clean_length_correct$member_casual + ds_all_trips_clean_length_correct$day_of_week, FUN = mean), c("clientela", "giorno settimana", "durata in secondi"))

4.1 – Si noti che i giorni della settimana non sono in ordine; risolviamo il problema.
Indicare i nomi dei giorni in italiano se il sistema operativo è in questa lingua (sempre che si stia utilizzando per l’elaborazione di questo lavoro un applicativo installato sul proprio computer, esempio RStudio Desktop), altrimenti usare la relativa traduzione (sulle piattaforme online lasciare i nomi dei giorni in inglese):

ds_all_trips_clean_length_correct$day_of_week <- ordered(ds_all_trips_clean_length_correct$day_of_week, levels=c("Lunedì", "Martedì", "Mercoledì", "Giovedì", "Venerdì", "Sabato", "Domenica"))

4.2 – Analizziamo nuovamente il tempo medio di percorrenza per ogni giorno tra abbonati e utenti occasionali:

setNames(aggregate(ds_all_trips_clean_length_correct$ride_length_secs ~ ds_all_trips_clean_length_correct$member_casual + ds_all_trips_clean_length_correct$day_of_week, FUN = mean), c("clientela", "giorno settimana", "durata in secondi"))

Per evitare il messaggio `summarise()` ha raggruppato l’output per ‘member_casual’ possiamo nasconderlo utilizzando l’argomento `.summarise`e impostandolo a “FALSE“.

options(dplyr.summarise.inform = FALSE)

ATTENZIONE: su tutti i grafici la funzione “lubridate” è stata utilizzata per ordinare i dati con il giorno della settimana nella lingua in base al fuso orario locale, che nel mio caso parte da lunedì (altrimenti l’elenco partirebbe da domenica). Se è necessario rispettare l’ordinamento originale rimuovere lubridate (in pratica, rimuovere la singola istruzione con lubridate e riattivare quella successiva disabilitata con il simbolo #).

ds_all_trips_clean_length_correct %>% 
  mutate(weekday = lubridate::wday(ds_all_trips_clean_length_correct$started_at, label = TRUE, week_start = getOption("lubridate.week.start", 1),locale = Sys.getlocale("LC_TIME"))) %>% #creates weekday field using wday()
  #mutate(weekday = wday(started_at, label = TRUE)) %>%
  group_by(member_casual, weekday) %>%  #groups by usertype and weekday
  dplyr::summarise(number_of_rides = n() #calculates the number of rides and average duration
  ,average_duration_hours = mean(ride_length_hours), average_duration_mins = mean(ride_length_mins), average_duration_secs = mean(ride_length_secs)) %>%  #calculates the average duration
  arrange(member_casual, weekday)  #sorts

# This function help to resize the plots
function_help_resize_plots <- function(width, heigth){options(repr.plot.width = width, repr.plot.height = heigth)}

ds_all_trips_clean_length_correct %>% 
  mutate(weekday = lubridate::wday(ds_all_trips_clean_length_correct$started_at, label = TRUE, week_start = getOption("lubridate.week.start", 1),locale = Sys.getlocale("LC_TIME"))) %>%
  #mutate(weekday = wday(started_at, label = TRUE)) %>% 
  group_by(member_casual, weekday) %>% 
  dplyr::summarise(number_of_rides = n(), average_duration = mean(ride_length_secs)) %>% 
  arrange(member_casual, weekday)  %>% 
  ggplot(aes(x = weekday, y = number_of_rides, fill = member_casual)) +
  guides(fill = guide_legend(title = "Categoria utenti")) +
  scale_y_continuous("numero corse", labels = scales::comma) +
  scale_x_discrete(name = "giorno settimana") +
  scale_fill_discrete(labels = c("Occasionali", "Abbonati")) +
  geom_col(position = "dodge")

Dai grafici appena elaborati si possono trarre alcune considerazioni:

• durante il weekend (sabato e domenica) gli utenti occasionali aumentano notevolmente il numero di corse rispetto agli altri singoli giorni della settimana.
• gli abbonati annuali effettuano un maggior numero di corse durante la settimana lavorativa rispetto al weekend, quindi è presumibile un comportamento legato ad un uso dell’abbonamento per scopo lavorativo (spostamento casa/lavoro).

ds_all_trips_clean_length_correct %>% 
  mutate(weekday = lubridate::wday(ds_all_trips_clean_length_correct$started_at, label = TRUE, week_start = getOption("lubridate.week.start", 1),locale = Sys.getlocale("LC_TIME"))) %>%
  #mutate(weekday = wday(started_at, label = TRUE)) %>% 
  group_by(member_casual, weekday) %>% 
  dplyr::summarise(number_of_rides = n(), average_duration = mean(ride_length_hours)) %>% 
  arrange(member_casual, weekday)  %>% 
  ggplot(aes(x = weekday, y = average_duration, fill = member_casual)) +
  guides(fill = guide_legend(title = "Categoria utenti")) +
  scale_y_continuous("durata media in ore") +
  scale_x_discrete(name = "giorno settimana") +
  scale_fill_discrete(labels = c("Occasionali", "Abbonati")) +
  geom_col(position = "dodge")

ds_all_trips_clean_length_correct %>% 
  mutate(weekday = lubridate::wday(ds_all_trips_clean_length_correct$started_at, label = TRUE, week_start = getOption("lubridate.week.start", 1),locale = Sys.getlocale("LC_TIME"))) %>%
  #mutate(weekday = wday(started_at, label = TRUE)) %>% 
  group_by(member_casual, weekday) %>% 
  dplyr::summarise(number_of_rides = n(), average_duration = mean(ride_length_mins)) %>% 
  arrange(member_casual, weekday)  %>% 
  ggplot(aes(x = weekday, y = average_duration, fill = member_casual)) +
  guides(fill = guide_legend(title = "Categoria utenti")) +
  scale_y_continuous("durata media in minuti") +
  scale_x_discrete(name = "giorno settimana") +
  scale_fill_discrete(labels = c("Occasionali", "Abbonati")) +
  geom_col(position = "dodge")

ds_all_trips_clean_length_correct %>% 
  mutate(weekday = lubridate::wday(ds_all_trips_clean_length_correct$started_at, label = TRUE, week_start = getOption("lubridate.week.start", 1),locale = Sys.getlocale("LC_TIME"))) %>%
  #mutate(weekday = wday(started_at, label = TRUE)) %>% 
  group_by(member_casual, weekday) %>% 
  dplyr::summarise(number_of_rides = n(), average_duration = mean(ride_length_secs)) %>% 
  arrange(member_casual, weekday)  %>% 
  ggplot(aes(x = weekday, y = average_duration, fill = member_casual)) +
  guides(fill = guide_legend(title = "Categoria utenti")) +
  scale_y_continuous("durata media in secondi") +
  scale_x_discrete(name = "giorno settimana") +
  scale_fill_discrete(labels = c("Occasionali", "Abbonati")) +
  geom_col(position = "dodge")

Da questi grafici si possono trarre alcune considerazioni:

• gli utenti occasionali hanno un tempo di utilizzo delle biciclette doppio rispetto agli abbonati annuali;
• gli abbonati annuali hanno un tempo di percorrenza distribuito egualmente in tutta la settimana;
• quelli occasionali vedono un utilizzo significativamente più elevato (rispetto agli altri giorni della settimana) durante il fine settimana e il lunedì.

Quanti dati riguardano gli abbonati annuali (member) e quanti gli occasionali (casual)?

ds_all_trips_clean_length_correct %>% 
    group_by(member_casual) %>% 
    summarise(count = length(ride_id),
              '%' = (length(ride_id) / nrow(ds_all_trips_clean_length_correct)) * 100)

Visualizzazione dei dati con un grafico a barre:

function_help_resize_plots(16,8)
ggplot(ds_all_trips_clean_length_correct, aes(member_casual, fill=member_casual)) +
  guides(fill = guide_legend(title = "Categoria utenti")) +
  geom_bar() +
  scale_y_continuous("numero corse", labels = scales::comma) +
  scale_x_discrete(name = "Occasionali vs Abbonati") +
  scale_fill_discrete(labels = c("Occasionali", "Abbonati")) +
  labs(title="Grafico 1 - Occasionali vs Abbonati")

Visualizzazione su grafico a torta:

ds_all_trips_clean_length_correct %>% 
    group_by(member_casual) %>% 
    summarise(count = length(ride_id),
              percent_cat_users = round((length(ride_id) / nrow(ds_all_trips_clean_length_correct)) * 100, digits = 2)) %>% 
  #arrange(percent_cat_users) %>%
  #mutate(percent_cat_users_labels = scales::percent(percent_cat_users, accuracy = 0.01)) %>% 
  ggplot(aes(x = "", y = count, fill = member_casual)) +
  geom_col(color = "black") +
  geom_label(aes(label = paste0(percent_cat_users, "%")),	position = position_stack(vjust = 0.5), show.legend = FALSE) +
  guides(fill = guide_legend(title = "Categoria utenti")) +
  scale_fill_discrete(labels = c("Occasionali", "Abbonati")) +
  labs(title="Occasionali vs Abbonati (in %)",
      subtitle = "novembre 2021 - ottobre 2022",
      x="",
      y="") + 
  #scale_fill_viridis_d() +
  coord_polar(theta = "y") +
  theme_void() # remove default theme

Come si può vedere nella tabella “Occasionali vs Abbonati”, gli abbonati hanno una proporzione maggiore del dataset, con una percentuale del ~60%, ~20% in più rispetto al conteggio dei ciclisti occasionali.

Come sono distribuiti i dati per mese?

ds_all_trips_clean_length_correct %>%
    group_by(year_month) %>%
    summarise(count = length(ride_id),
              '%' = (length(ride_id) / nrow(ds_all_trips_clean_length_correct)) * 100,
              'members_p' = (sum(member_casual == "member") / length(ride_id)) * 100,
              'casual_p' = (sum(member_casual == "casual") / length(ride_id)) * 100,
              'dif_members_casuals' = members_p - casual_p)

ds_all_trips_clean_length_correct %>%
  ggplot(aes(year_month, fill=member_casual)) +
  geom_bar() +
  labs(x="Mese", title="Grafico 2 - Distribuzione per mese") +
  guides(fill = guide_legend(title = "Categoria utenti")) +
  scale_y_continuous("numero corse", labels = scales::comma) +
  scale_fill_discrete(labels = c("Occasionali", "Abbonati")) +
  theme(axis.text.x=element_text(angle=45,hjust=1))

Da questo grafico si possono trarre alcune considerazioni:

• il numero di corse sembra essere influenzato dalle condizioni climatiche;
• il mese con il maggior numero di punti dati è stato luglio 2022, con ~14,5% del dataset;
• in tutti i mesi abbiamo più corse di abbonati che di occasionali;
• la differenza di proporzione tra abbonati annuali e occasionali è minore nei mesi “caldi”;
• la distribuzione sembra ciclica.

Per verificare la correlazione con le condizioni climatiche, confrontiamo il numero delle corse con i dati climatici di Chicago nel periodo oggetto del case study.

Fonte: Climate-Data.org (Media giornaliera °C, novembre 2021 — ottobre 2022).
Attenzione: qualora cambi l’intervallo mensile di riferimento, risulta necessario cambiare manualmente i valori delle temperature nel seguente dataset “ds_chicago_temperature“.

ds_stats_n_races <- ds_all_trips_clean_length_correct %>%
  group_by(year_month) %>%
  summarise(count = length(ride_id),
            '%' = (length(ride_id) / nrow(ds_all_trips_clean_length_correct)) * 100,
            'members_p' = (sum(member_casual == "member") / length(ride_id)) * 100,
            'casual_p' = (sum(member_casual == "casual") / length(ride_id)) * 100,
            'dif_members_casuals' = members_p - casual_p)
ds_chicago_temperature <- data.frame(temp_mean=c(5.9, -0.5, -3.8, -3.1, 1.6, 7.8, 14.5, 20.7, 23.8, 23.2, 19.6, 12.7),month=c("2021 - 11", "2021 - 12", "2022 - 01", "2022 - 02", "2022 - 03", "2022 - 04", "2022 - 05", "2022 - 06", "2022 - 07", "2022 - 08", "2022 - 09", "2022 - 10"))
ds_chicago_temperature_races <- data.frame(ds_stats_n_races, ds_chicago_temperature)

ds_all_trips_clean_length_correct %>%
  ggplot(aes(year_month, fill=member_casual)) +
  geom_bar() +
  labs(x="Mese", title="Grafico 2 - Distribuzione corse per mese") +
  guides(fill = guide_legend(title = "Categoria utenti")) +
  scale_y_continuous("numero corse", labels = scales::comma) +
  scale_fill_discrete(labels = c("Occasionali", "Abbonati")) +
  theme(axis.text.x=element_text(angle=45,hjust=1))

ggplot(ds_chicago_temperature_races, aes(x = year_month, y = count)) +                            # bar plot
  geom_col(linewidth = 1, color = "darkblue", fill = "white") +
  scale_x_discrete(name = "anno - mese") +
  scale_y_continuous("numero corse", labels = scales::comma) +
  scale_fill_discrete(labels = c("Occasionali", "Abbonati")) +
  theme(axis.text.x=element_text(angle=45,hjust=1))

ggplot(ds_chicago_temperature_races, aes(x = month, y = temp_mean)) +                            # line plot
  geom_line(linewidth = 1.5, color="red", group = 1) +
  scale_x_discrete(name = "anno - mese") +
  scale_y_continuous(name = "temperaratura media") +
  theme(axis.text.x=element_text(angle=45,hjust=1))

ggplot(ds_chicago_temperature_races, aes(x = year_month)) + 
  geom_col(aes(y = count), size = 1, color = "darkblue", fill = "white") +
  #scale_y_continuous("numero corse", labels = scales::comma) +
  geom_line(aes(y = 30000*temp_mean), linewidth = 1.5, color="red", group = 1) + 
  scale_x_discrete(name = "anno - mese") +
  scale_y_continuous(sec.axis = sec_axis(~./300000, name = "temp mean")) +
  theme(axis.text.x=element_text(angle=45,hjust=1),axis.text.y=element_blank(),axis.ticks.y=element_blank()) +
  labs(title = "Confronto tra numero corse e temperatura", subtitle = "la linea rossa indica la temperatura media nel mese corrispondente")

rm(ds_stats_n_races) # remove temporary dataset used to sync temperatures

Il risultato principale è:

• la temperatura influenza il volume di corse mensile, in particolare in quelli invernali/freddi;
• quando la temparatura scende sotto lo zero, i clienti occasionali tendono ad evitare l’utilizzo della bicicletta mentre nelle stesse condizioni gli abbonati annuali mantengono una certa frequenza di utilizzo probabilmente legata ad uno spostamento obbligatorio (casa/lavoro).

Come sono distribuiti i dati sui giorni della settimana?

ds_all_trips_clean_length_correct %>%
    group_by(weekday) %>% 
    summarise(count = length(ride_id),
              '%' = (length(ride_id) / nrow(ds_all_trips_clean_length_correct)) * 100,
              'members_p' = (sum(member_casual == "member") / length(ride_id)) * 100,
              'casuals_p' = (sum(member_casual == "casual") / length(ride_id)) * 100,
              'dif_perc_members_casuals' = members_p - casuals_p)

Visualizziamo i dati tramite un grafico (ingrandirlo per una migliore lettura)

ggplot(ds_all_trips_clean_length_correct, aes(weekday, fill=member_casual)) +
  geom_bar(position='dodge2') +
  #geom_text(stat = "count", aes(label = ..count..)) +
  geom_label(stat='count',
             aes(label=after_stat(count)),
             position=position_dodge2(width=0.5),
             size=3,
             show.legend = FALSE # rimuove la lettera all'interno dell'icona
             ) +
  labs(x="giorni della settimana", title="Grafico 3.1 - Distribuzione per giorno della settimana") +
  guides(fill = guide_legend(title = "Categoria utenti")) +
  scale_y_continuous("numero corse", labels = scales::comma) +
  scale_fill_discrete(labels = c("Occasionali", "Abbonati"))
  #theme(legend.position = "none")

Medesimi dati ma visualizzati in maniera differente:

ggplot(ds_all_trips_clean_length_correct, aes(weekday, fill=member_casual)) +
  geom_bar() +
  #geom_text(stat = "count", aes(label = ..count..)) +
  geom_text(stat = "count", 
            aes(label= after_stat(count)), 
            position = position_stack(vjust = 0.5),
            size = 3
            ) +
  labs(x="giorni della settimana", title="Grafico 3.2 - Distribuzione per giorno della settimana") +
  guides(fill = guide_legend(title = "Categoria utenti")) +
  scale_y_continuous("numero corse", labels = scales::comma) +
  scale_fill_discrete(labels = c("Occasionali", "Abbonati"))

È interessante vedere:

• il volume di dati è distribuito sostanzialmente in maniera eguale in tutti i giorni della settimana tranne il sabato;
• il sabato ha il maggior numero di punti dati;
• gli abbonati annuali hanno il maggior volume di dati, eccetto il sabato. In questo giorno della settimana gli occasionali hanno il maggior numero di punti dati;
• nei fine settimana a partire dal venerdì si registrano il maggior volume di corse per gli occasionali, con un aumento fino al 20%.

ds_all_trips_clean_length_correct %>%
    group_by(start_hour) %>% 
    summarise(count = length(ride_id),
          '%' = (length(ride_id) / nrow(ds_all_trips_clean_length_correct)) * 100,
          'members_p' = (sum(member_casual == "member") / length(ride_id)) * 100,
          'casuals_p' = (sum(member_casual == "casual") / length(ride_id)) * 100,
          'dif_perc_members_casuals' = members_p - casuals_p)

ds_all_trips_clean_length_correct %>%
  ggplot(aes(start_hour, fill=member_casual)) +
  scale_y_continuous("numero corse", labels = scales::comma) +
  labs(x="Ora del giorno", title="Grafico 4.1 - Distribuzione per ora del giorno") +
  guides(fill = guide_legend(title = "Categoria utenti")) +
  scale_fill_discrete(labels = c("Occasionali", "Abbonati")) +
  geom_bar()

medesimi risultati mostrati in maniera differente (ingrandire il grafico)

ggplot(ds_all_trips_clean_length_correct, aes(start_hour, fill=member_casual)) +
  geom_bar(position='dodge2') +
  #geom_text(stat = "count", aes(label = ..count..)) +
  geom_label(stat='count',
             aes(label=after_stat(count)),
             position=position_dodge2(width=0.5),
             size=3,
             show.legend = FALSE # rimuove la lettera all'interno dell'icona
             ) +
  labs(x="ore del giorno", title="Grafico 4.2 - Distribuzione per ora del giorno") +
  guides(fill = guide_legend(title = "Categoria utenti")) +
  scale_y_continuous("numero corse", labels = scales::comma) +
  scale_fill_discrete(labels = c("Occasionali", "Abbonati")) +
  theme(legend.position = c(0.2, 0.8))
  # coord_flip()
  #theme(legend.position = "none")

Da questo grafico, possiamo vedere:

• nel pomeriggio c’è una maggiore affluenza di ciclisti;
• il numero di corse degli abbonati annuali sono significativamente maggiori rispetto a quelli occasionali nella fascia oraria dalle 6 alle 10 del mattino e tra le 15 e le 19 di sera;
• gli occasionali sono maggiori rispetto agli abbonati tra le 24.00 e le 4.00 del mattino.

Questo grafico può essere ampliato se lo si divide per ciascun giorno della settimana.

ds_all_trips_clean_length_correct %>%
  ggplot(aes(start_hour, fill=member_casual)) +
  geom_bar() +
  labs(x="Ora del giorno", y="numero corse", title="Grafico 5 - Distribuzione per ora del giorno e giorno della settimana") +
  guides(fill = guide_legend(title = "Categoria utenti")) +
  scale_fill_discrete(labels = c("Occasionali", "Abbonati")) +
  facet_wrap(~ weekday)

C’è una chiara differenza tra i giorni infrasettimanali e i fine settimana.

Generiamo i grafici per queste due suddivisioni settimanali.

ds_all_trips_clean_length_correct %>%
  mutate(type_of_weekday = ifelse(weekday == '6 - Sat' | weekday == '7 - Sun', 'weekend', 'midweek')) %>%
  ggplot(aes(start_hour, fill=member_casual)) +
  guides(fill = guide_legend(title = "Categoria utenti")) +
  scale_fill_discrete(labels = c("Occasionali", "Abbonati")) +
  scale_y_continuous("numero corse", labels = scales::comma) +
  labs(x="Ora del giorno", title="Grafico 6 - Distribuzione per ora del giorno infrasettimanale-weekend") +
  geom_bar() +
  facet_wrap(~ type_of_weekday)

I due plot differiscono per alcuni aspetti fondamentali:

• mentre i fine settimana hanno un flusso regolare di punti dati, i giorni infrasettimanali hanno un flusso di dati più ripido/irregolare;
• il conteggio dei punti di dati non ha molto significato, dato che ogni grafico rappresenta un numero diverso di giorni;
• per i giorni infrasettimanali c’è un grande aumento di punti dati tra le 6 e le 8 del mattino (in particolare di abbonati) per poi calare nelle due ore successive (9 e 10) e poi riprendere con un costante aumento dalle 11 del mattino alle 18 di sera;
• un altro grande aumento si ha dalle 16.00 alle 18.00, in particolare di abbonati;
• durante il fine settimana abbiamo un flusso maggiore di utenti occasionali tra le 11:00 del mattino e le 18:00 di sera.

Riassumento quanto sopra:
È fondamentale distinguere le due tipologie di ciclisti (abbonati e occasionali) che utilizzano le biciclette nei vari periodi della giornata. Possiamo ipotizzare alcuni fattori, uno dei quali è che gli abbonati possono essere persone che utilizzano le biciclette durante le loro attività quotidiane di routine, come andare al lavoro (tra le 5 e le 8 del mattino in un giorno infrasettimanale) e tornare dal lavoro (tra le 16 e le 18 infrasettimanali).

ds_all_trips_clean_length_correct %>%
group_by(rideable_type) %>%
summarise(count = length(ride_id),
'%' = (length(ride_id) / nrow(ds_all_trips_clean_length_correct)) * 100,
'members_p' = (sum(member_casual == "member") / length(ride_id)) * 100,
'casual_p' = (sum(member_casual == "casual") / length(ride_id)) * 100,
'member_casual_perc_difer' = members_p - casual_p)

ggplot(ds_all_trips_clean_length_correct, aes(rideable_type, fill=member_casual)) +
guides(fill = guide_legend(title = "Categoria utenti")) +
scale_fill_discrete(labels = c("Occasionali", "Abbonati")) +
scale_y_continuous("numero corse", labels = scales::comma) +
labs(x="Tipologia bicicletta", title="Grafico 7 - Distribuzione per tipologia di biciclette") +
geom_bar()

È importante notare che:

• le biciclette “docked” hanno un volume di corse di scarso rilievo e vengono utilizzate solo dagli utenti occasionali;
• gli abbonati hanno una maggiore preferenza per le biciclette classiche, il 66% rispetto al 34% degli occasionali;
• anche per le biciclette elettriche gli abbonati hanno una preferenza maggiore (57%) rispetto a quelli occasionali (43%).

Per le azioni di marketing sarà utile sapere quali sono le stazioni più popolari. Per scoprire quali sono, utilizzeremo il nome della stazione di partenza e quella di arrivo e conteremo il numero di corse che iniziano o terminano su di esse.

Stazioni di partenza —> ordinare a partire da quelle con il più alto numero di corse:

ds_all_trips_clean_length_correct %>% 
  group_by(start_station_name) %>%
  summarise(
    count = length(ride_id), 
    #ride_id = n(),
    ) %>%
  slice_max(count, n = 10)

Stazioni di partenza —> quelle più utilizzate dagli abbonati:

ds_all_trips_clean_length_correct %>% 
  filter(member_casual=='member') %>%
  group_by(start_station_name) %>%
  summarise(count = length(ride_id)) %>%
  arrange(desc(count), desc(start_station_name)) %>% 
  slice_max(count, n = 10)

Stazioni di partenza —> quelle più utilizzate dagli occasionali:

ds_all_trips_clean_length_correct %>% 
  filter(member_casual=='casual') %>%
  group_by(start_station_name) %>%
  summarise(count = length(ride_id)) %>%
  arrange(desc(count), desc(start_station_name)) %>% 
  slice_max(count, n = 10)

Stazioni di partenza —> ora raffrontiamo l’utilizzo delle stationi di partenza con le due tipologie di utenza (abbonati e occasionali) per verificare le percentuali di utilizzo e l’orario di maggior frequenza e salviamo il tutto in un dataset dedicato così da poterlo utilizzare per tutte le operazioni di filtraggio e visualizzazione:

colnames(ds_all_trips_clean_length_correct)

ds_all_trips_clean_length_correct_station_start <- ds_all_trips_clean_length_correct %>%
  group_by(start_station_name) %>% 
  summarise(count = length(ride_id),
            '%' = (length(ride_id) / nrow(ds_all_trips_clean_length_correct)) * 100,
            'members_p' = (sum(member_casual == "member") / length(ride_id)) * 100,
            'casual_p' = (sum(member_casual == "casual") / length(ride_id)) * 100,
            'member_casual_perc_difer' = members_p - casual_p,
            'members' = (sum(member_casual == "member")),
            'casual' = (sum(member_casual == "casual")),
            'member_casual_difer' = members - casual,
            'hours_first_race' = min(start_hour, na.rm = TRUE),
            'hours_last_race' = max(start_hour, na.rm = TRUE),
            'data_ds_start_at' = min(started_at, na.rm = TRUE),
            'data_ds_end_at' = max(ended_at, na.rm = TRUE),
            'hours_mean' = mean(start_hour, na.rm = TRUE),
            'hours_median' = median(start_hour, na.rm = TRUE)) %>% 
  arrange(desc(count), desc(start_station_name))
  #slice(1:10) 
ds_all_trips_clean_length_correct_station_start

Stazioni di arrivo —> ordinare a partire da quelle con il più alto numero di corse:

ds_all_trips_clean_length_correct %>% 
  group_by(end_station_name) %>%
  summarise(
    count = length(ride_id), 
    #ride_id = n(),
    ) %>%
  slice_max(count, n = 10)

Stazioni di arrivo —>quelle più utilizzate dagli abbonati:

ds_all_trips_clean_length_correct %>% 
  filter(member_casual=='member') %>%
  group_by(end_station_name) %>%
  summarise(count = length(ride_id)) %>%
  arrange(desc(count), desc(end_station_name)) %>% 
  slice_max(count, n = 10)

Stazioni di arrivo —>quelle più utilizzate dagli occasionali:

ds_all_trips_clean_length_correct %>% 
  filter(member_casual=='casual') %>%
  group_by(end_station_name) %>%
  summarise(count = length(ride_id)) %>%
  arrange(desc(count), desc(end_station_name)) %>% 
  slice_max(count, n = 10)

Stazioni di arrivo —> ora raffrontiamo l’utilizzo delle stationi di arrivo con le due tipologie di utenza (abbonati e occasionali) per verificare le percentuali di utilizzo e l’orario di maggior frequenza e salviamo il tutto in un dataset dedicato così da poterlo utilizzare per tutte le operazioni di filtraggio e visualizzazione:

ds_all_trips_clean_length_correct_station_end <- ds_all_trips_clean_length_correct %>%
  group_by(end_station_name) %>%
  summarise(count = length(ride_id),
            '%' = (length(ride_id) / nrow(ds_all_trips_clean_length_correct)) * 100,
            'members_p' = (sum(member_casual == "member") / length(ride_id)) * 100,
            'casual_p' = (sum(member_casual == "casual") / length(ride_id)) * 100,
            'member_casual_perc_difer' = members_p - casual_p,
            'members' = (sum(member_casual == "member")),
            'casual' = (sum(member_casual == "casual")),
            'member_casual_difer' = members - casual,
            'hours_first_race' = min(start_hour, na.rm = TRUE),
            'hours_last_race' = max(start_hour, na.rm = TRUE),
            'data_ds_start_at' = min(started_at, na.rm = TRUE),
            'data_ds_end_at' = max(ended_at, na.rm = TRUE),
            'hours_mean' = mean(start_hour, na.rm = TRUE),
            'hours_median' = median(start_hour, na.rm = TRUE)) %>% 
  arrange(desc(count), desc(end_station_name))
  #slice(1:10) 
ds_all_trips_clean_length_correct_station_end

Considerazioni sulle stazioni di partenza/arrivo:

Si può notare che le stazioni più utilizzate sono diverse a seconda del tipo di utente. Ciò può essere correlato al tipo di utilizzo della bicicletta; essendo l’uso degli utenti occasionali più legato al tempo libero, le loro stazioni potrebbero essere più vicine ai luoghi di svago, mentre gli abbonati sembrano usare le biciclette principalmente per recarsi al lavoro.

Il traffico maggiore sia in partenza che in arrivo si concentra presso la stazione “Streeter Dr & Grand Ave“, dove però il 77% degli utenti in partenza e l’80% di quelli in arrivo appartiene alla categoria “occasionali“, con l’ora di punta mediamente (su base settimanale) verso le 14 del pomeriggio.

Il traffico per gli abbonati annuali si concentra invece sulla stazione di “Kingsbury St & Kinzie St” con una percentuale di circa il 75% in partenza e il 77% in arrivo, rispetto a quelli occasionali che frequentano questa stazione. In questa stazione mediamente (su base settimanale) l’ora di punta è verso le 13 del pomeriggio.

Le stazioni più utilizzate dagli abbonati sono:
“Kingsbury St & Kinzie St”, “Clark St & Elm St” e “Wells St & Concord Ln”.

Le stazioni più utilizzate dagli utenti occasionali sono:
“Streeter Dr & Grand Ave”, “DuSable Lake Shore Dr & Monroe St” e “Millennium Park”.

Ora diamo un’occhiata ad alcune variabili del set di dati.

Per prima cosa visualizziamo alcune statistiche riassuntive dall’insieme di dati

summary(ds_all_trips_clean_length_correct$ride_length_mins)

I valori minimi e massimi possono essere un problema per tracciare alcuni grafici. Come mai il tempo di percorrenza per alcune biciclette ha un valore massimo così elevato? Forse c’è qualche malfunzionamento delle stazioni che restituiscono date errate.

Per prima cosa dividiamo la popolazione in più parti uguali per verificare in quale intervallo è presente l’anomalia (ventili):

ventiles = quantile(ds_all_trips_clean_length_correct$ride_length_mins, seq(0, 1, by=0.05))
ventiles

Possiamo vedere che:

• la differenza tra 0% e 100% è di 34354,07 minuti (oltre 572 ore, quasi 24 giorni);
• la differenza tra il 0% e il 95% è di 47,5 minuti;
• anche i valori sotto il 5% risultano troppo brevi per essere considerati una corsa reale (meno di 3 minuti).

Vediamo quali sono le corse con i tempi di percorrenza più alti per vedere se troviamo qualche riferimento che possa fornirci indicazioni utili sul motivo di questo utilizzo anomalo:

ds_all_trips_clean_length_correct %>% arrange(desc(ride_length_mins))

Qui invece le corse elencate a partire dalla durata minima:

ds_all_trips_clean_length_correct %>% arrange((ride_length_mins))

Controllando le varie voci (es. stazioni di partenza e di arrivo) non sembrerebbe esserci alcun problema però notiamo che tutti i valori anomali per le corse con tempi elevati sono circoscritti alle bici “docked”.
Maggiori informazioni su questi dati verranno richieste agli stakeholder di riferimento per verificare se l’azienda li considera normali.

Verifichiamo anche filtrando per l’intervallo > 95%:

ds_all_trips_clean_length_correct_outliners_max <- ds_all_trips_clean_length_correct %>%
  filter(ride_length_mins > as.numeric(ventiles['95%'])) %>%
  arrange(desc(ride_length_mins))
ds_all_trips_clean_length_correct_outliners_max

Una volta fatte le opportune verifiche, cancellare l’ultimo dataset appena creato (…_outliners_max):

rm(ds_all_trips_clean_length_correct_outliners_max)

Attenzione: l’analisi prosegue creando un dataset senza outliner (“…_outliners_without“), con un sottoinsieme di dati che escluda gli estremi anomali minimi/massimi individuati in precedenza, quindi con un intervallo ottimale individuato tra il 5 e il 95%.
Tale scelta è dettata anche dall’esigenza di effettuare delle verifiche che risulterebbero difficili da interpretare nei grafici con la presenza di questi valori anomali.

ds_all_trips_clean_length_correct_outliners_without <- ds_all_trips_clean_length_correct %>% 
    filter(ride_length_mins > as.numeric(ventiles['5%'])) %>%
    filter(ride_length_mins < as.numeric(ventiles['95%']))
print(paste("Rimosse", nrow(ds_all_trips_clean_length_correct) - nrow(ds_all_trips_clean_length_correct_outliners_without), "righe come outliner" ))

Una delle prime interazioni tra le colonne e la durata della corsa è un box plot, con plot sottostanti basati sulla colonna casual_members. Anche per i dati riassunti.

ds_all_trips_clean_length_correct_outliners_without %>% 
    group_by(member_casual) %>% 
    summarise(mean = mean(ride_length_mins),
              'first_quarter' = as.numeric(quantile(ride_length_mins, .25)),
              'median' = median(ride_length_mins),
              'third_quarter' = as.numeric(quantile(ride_length_mins, .75)),
              'IR' = third_quarter - first_quarter)

ggplot(ds_all_trips_clean_length_correct_outliners_without, aes(x=member_casual, y=ride_length_mins, fill=member_casual)) +
  guides(fill = guide_legend(title = "Categoria utenti")) +
  scale_fill_discrete(labels = c("Occasionali", "Abbonati")) +
  labs(x="Abbonati vs Occasionali", y="Tempo di percorrenza", title="Grafico 8 - Distribuzione tempo di percorrenza per Occasionali/Abbonati") +
  geom_boxplot()

È importante notare che:

• gli occasionali hanno più tempo per pedalare rispetto agli abbonati;
• anche la media e l’IQR sono più grandi per i clienti occasionali.

Vediamo se è possibile trovare altre informazioni utili quando si elabora con il giorno della settimana.

ggplot(ds_all_trips_clean_length_correct_outliners_without, aes(x=weekday, y=ride_length_mins, fill=member_casual)) +
  geom_boxplot() +
  facet_wrap(~ member_casual) +
  guides(fill = guide_legend(title = "Categoria utenti")) +
  scale_fill_discrete(labels = c("Occasionali", "Abbonati")) +
  labs(x="Giorno", y="Tempo di percorrenza", title="Grafico 9 var.a - Distribuzione del tempo di noleggio per giorno della settimana") +
  theme(axis.text.x=element_text(angle=45,hjust=1))

Alcune considerazioni:

• il tempo di pedalata per gli abbonati rimane invariato durante l’infrasettimanale, mentre aumenta durante i fine settimana;
• gli occasionali seguono una distribuzione più curva, con un picco il sabato/domenica e i valori più bassi il martedì/mercoledì/giovedì.

Infine, elaboriamo in base alla tipologia di bicicletta.

ggplot(ds_all_trips_clean_length_correct_outliners_without, aes(x=rideable_type, y=ride_length_mins, fill=member_casual)) +
  geom_boxplot() +
  facet_wrap(~ member_casual) +
  guides(fill = guide_legend(title = "Categoria utenti")) +
  scale_fill_discrete(labels = c("Occasionali", "Abbonati")) +
  labs(x="Tipologia bicipletta", y="Tempo di percorrenza", title="Grafico 10 - Distribuzione del tempo di noleggio per tipo di bicicletta")
  #coord_flip()

Alcune considerazioni:

• le bici elettriche hanno un tempo di guida inferiore rispetto alle altre bici, sia per gli abbonati che per gli occasionali;
• le biciclette “docked” hanno più tempo di percorrenza (dati che risulterebbero “fuori scala” nel grafico se utilizzassimo il dataset comprensivo degli outliner rimossi in precedenza, facenti riferimento all’intervallo > 95%) e vengono utilizzate solo dai clienti occasionali.