今天的目標是來統整一下這幾天的分析項目，準備為資料可視化做準備，視覺化部分應該會使用Seaborn套件和Google Data Studio來呈現。
除了個人覺得Seaborn比較好看之外，這次的資料有包含座標的部分，我覺得丟到Data Studio上會是一個不錯的選擇。

• Raw Data: Case Study Bike-Share Company's 12 months data(Chicago, USA)
• 時間區間: 2020.01~2020.03
• 資料筆數: 未清理前426,887筆；有效資料419,215筆。
• 分析目的: 找出能讓新客(casual)轉為會員(member)的契機。

1. 騎乘總時間:

• 分為1min~1hr, 1hr~12hrs, 12hrs up三組，資料以短程租借居多，比例佔98%。
• 以短程為主的使用者，最頻繁租借點接鄰近市區/交通要道/觀光景點，而最少租借點多未於偏郊區或附近沒有交通站點之處。
• 小於1min的使用者，我將他們歸類為操作錯誤，因為都同站租同站還。

2. 使用者(會員/非會員):

• 不重複使用者419,199筆；重複使用者16筆。
• 不重複使用者中，374,670筆是會員；44,529筆是非會員。
• 因資料不足，沒有更多像是姓名或電話等使用者資訊，較無法計算使用過從非會員>會員的轉換率(CR)。

3. DoW:

• 三個月以來，週間的使用頻率高，以禮拜三次數最多。
• 將進一步拆解主要是分布在哪個時段(凌晨/早上/中午/晚上)，以下午時段191,446筆最多(計算方式已更新於Day13!)。

TOMORROW 's Goal

長條/圓餅/折線圖的視覺化呈現。
思考更多資料的可能性。

明天會進入視覺化的部分，先以基本的長條/圓餅/折線做發揮。
順便也會發想看看這次需不需要加入ML的部分。
明天見!