簡(jiǎn)介這份資源是面向計(jì)算機(jī)相關(guān)專業(yè)學(xué)生與項(xiàng)目實(shí)戰(zhàn)學(xué)習(xí)者的Python數(shù)據(jù)分析與可視化期末大作業(yè)完整源碼圍繞全國(guó)列車數(shù)據(jù)的獲取、清洗與可視化分析展開(kāi)難度適中適合正在做大作業(yè)或需要練手?jǐn)?shù)據(jù)分析流程的同學(xué)參考。壓縮包共32個(gè)文件約4.57MB以json數(shù)據(jù)文件、py爬蟲(chóng)與處理腳本、html與js前端頁(yè)面、ipynb分析筆記及csv數(shù)據(jù)集為主另含md說(shuō)明文檔覆蓋從數(shù)據(jù)采集到網(wǎng)頁(yè)展示的完整鏈路。項(xiàng)目經(jīng)導(dǎo)師指導(dǎo)并通過(guò)評(píng)審源碼均本地編譯運(yùn)行、嚴(yán)格調(diào)試可直接復(fù)現(xiàn)。內(nèi)容包含列車信息與站點(diǎn)地理數(shù)據(jù)的爬取腳本、數(shù)據(jù)清洗與處理筆記、可視化主程序及前端展示頁(yè)面能幫助讀者理解數(shù)據(jù)獲取、結(jié)構(gòu)化處理到圖表呈現(xiàn)的完整思路也可作為課程設(shè)計(jì)模板按需修改。目前已有330人學(xué)習(xí)下載。1. 全國(guó)列車數(shù)據(jù)獲取與可視化一份期末大作業(yè)為什么值得認(rèn)真做12306 的列車時(shí)刻數(shù)據(jù)是很多人做 Python 數(shù)據(jù)分析與可視化期末大作業(yè)時(shí)第一個(gè)想到、又第一個(gè)放棄的題材。想到是因?yàn)樗烊粠У乩韺傩?、時(shí)間屬性和網(wǎng)絡(luò)結(jié)構(gòu)畫(huà)出來(lái)好看放棄是因?yàn)閿?shù)據(jù)獲取這一步就卡住了——手動(dòng)抄幾十條車次沒(méi)意義抓全量又不知道從哪下手。這份「全國(guó)列車數(shù)據(jù)獲取與可視化分析」源碼要解決的正是從數(shù)據(jù)獲取到可視化圖表落地的完整鏈路用 Python 把車次、站點(diǎn)、時(shí)刻、里程這些字段拿下來(lái)清洗成規(guī)整的表再用可視化把「哪些城市是樞紐」「哪條線路最忙」「發(fā)車時(shí)間怎么分布」講清楚。它適合正在做數(shù)據(jù)分析項(xiàng)目實(shí)踐的學(xué)生也適合想練一遍 requests pandas pyecharts 完整流程的 Python 入門(mén)者。下面我按自己復(fù)現(xiàn)這類項(xiàng)目的順序把每一步的參數(shù)、坑和取舍講透。2. 數(shù)據(jù)從哪來(lái)列車數(shù)據(jù)的獲取路徑與字段設(shè)計(jì)2.1 先想清楚要哪些字段再?zèng)Q定怎么拿很多人一上來(lái)就寫(xiě)爬蟲(chóng)結(jié)果抓回來(lái)一堆字段做可視化時(shí)發(fā)現(xiàn)缺經(jīng)緯度、缺里程又得回頭補(bǔ)。我的習(xí)慣是先定表結(jié)構(gòu)再定獲取方式。一份能支撐可視化分析的列車數(shù)據(jù)核心字段大概是這樣幾類字段類別具體字段用途車次標(biāo)識(shí)車次編號(hào)、車型G/D/K/T/Z分類統(tǒng)計(jì)、車型占比站點(diǎn)信息始發(fā)站、終點(diǎn)站、經(jīng)停站列表網(wǎng)絡(luò)圖、樞紐識(shí)別時(shí)間信息發(fā)車時(shí)間、到達(dá)時(shí)間、歷時(shí)時(shí)間分布、運(yùn)行時(shí)長(zhǎng)分析空間信息站序、里程線路長(zhǎng)度、站點(diǎn)密度輔助信息是否當(dāng)日達(dá)、票價(jià)區(qū)間擴(kuò)展分析字段定下來(lái)之后獲取路徑其實(shí)就兩條一是直接請(qǐng)求公開(kāi)的查詢接口拿結(jié)構(gòu)化返回二是拿到頁(yè)面后自己解析。前者返回的通常是 JSON字段規(guī)整省去大量解析工作后者要處理 HTML 結(jié)構(gòu)穩(wěn)定性差一些。常見(jiàn)做法是優(yōu)先走接口把返回體存成原始 JSON 落盤(pán)再做二次清洗——這樣即使后面清洗邏輯改了也不用重新請(qǐng)求省時(shí)間也省得給對(duì)方服務(wù)器添壓力。提示請(qǐng)求頻率一定要控制。加time.sleep是基本操作間隔設(shè) 1 到 2 秒比較穩(wěn)妥別為了快把并發(fā)拉滿既容易被限流也不是做作業(yè)該有的姿態(tài)。2.2 用 requests 拉一頁(yè)數(shù)據(jù)的最小可跑代碼下面這段是我復(fù)現(xiàn)時(shí)用的最小骨架先跑通單次請(qǐng)求確認(rèn)返回結(jié)構(gòu)再考慮批量。import requests import json import time # 請(qǐng)求頭里帶上 UA很多接口對(duì)空 UA 會(huì)直接拒絕 HEADERS { User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0 Safari/537.36, Accept: application/json, text/javascript, */*; q0.01, } def fetch_one(train_no: str, date: str) - dict: train_no: 車次例如 G1 date: 乘車日期格式 2024-06-01 返回接口原始 JSONdict url https://example.com/query # 換成實(shí)際查詢地址 params {train_no: train_no, date: date} resp requests.get(url, headersHEADERS, paramsparams, timeout10) resp.raise_for_status() # 非 200 直接拋錯(cuò)別讓臟數(shù)據(jù)混進(jìn)來(lái) return resp.json() if __name__ __main__: data fetch_one(G1, 2024-06-01) # 先落盤(pán)原始數(shù)據(jù)方便反復(fù)調(diào)試清洗邏輯 with open(raw_G1.json, w, encodingutf-8) as f: json.dump(data, f, ensure_asciiFalse, indent2) print(json.dumps(data, ensure_asciiFalse, indent2)[:800]) time.sleep(1.5)邏輯上就三步拼參數(shù)、發(fā)請(qǐng)求、落盤(pán)。timeout10是防止某個(gè)請(qǐng)求卡死拖垮整個(gè)腳本raise_for_status()讓 4xx/5xx 直接暴露而不是悄悄返回一個(gè)空結(jié)構(gòu)讓你后面排查半天。ensure_asciiFalse保證中文正常寫(xiě)入不然打開(kāi)文件全是轉(zhuǎn)義字符。參數(shù)里train_no和date是最小組合實(shí)際接口可能還要 token 或校驗(yàn)字段按返回的報(bào)錯(cuò)逐個(gè)補(bǔ)。2.3 批量獲取時(shí)怎么組織循環(huán)和斷點(diǎn)續(xù)跑單次跑通后批量獲取的關(guān)鍵不是并發(fā)而是「可恢復(fù)」。全國(guó)車次幾千條跑到一半斷了重來(lái)最讓人崩潰。我的做法是把已抓取的車次記到一個(gè)進(jìn)度文件里每次啟動(dòng)先讀進(jìn)度跳過(guò)已完成的。import os import json import time import requests DONE_FILE done_trains.txt def load_done() - set: if not os.path.exists(DONE_FILE): return set() with open(DONE_FILE, r, encodingutf-8) as f: return set(line.strip() for line in f if line.strip()) def mark_done(train_no: str): with open(DONE_FILE, a, encodingutf-8) as f: f.write(train_no \n) def batch_fetch(train_list, date): done load_done() for train_no in train_list: if train_no in done: continue # 斷點(diǎn)續(xù)跑的核心跳過(guò)已完成 try: data fetch_one(train_no, date) with open(fraw_{train_no}.json, w, encodingutf-8) as f: json.dump(data, f, ensure_asciiFalse) mark_done(train_no) except Exception as e: print(f{train_no} 失敗: {e}) # 單條失敗不影響整體 time.sleep(1.5) if __name__ __main__: trains [fG{i} for i in range(1, 200)] # 示例車次列表 batch_fetch(trains, 2024-06-01)這里done_trains.txt就是「后悔藥」——腳本崩了、網(wǎng)斷了、你手滑 CtrlC 了重跑時(shí)它自動(dòng)跳過(guò)抓過(guò)的。異常用 try 包住單條一條失敗不拖累全局失敗的車次不會(huì)寫(xiě)進(jìn)進(jìn)度文件下次自動(dòng)重試。sleep(1.5)放在循環(huán)末尾保證每條之間都有間隔。這套結(jié)構(gòu)不花哨但跑幾千條數(shù)據(jù)時(shí)能省下大量重跑時(shí)間。3. 把原始 JSON 洗成能畫(huà)圖的表pandas 清洗與字段派生3.1 從嵌套 JSON 到扁平 DataFrame接口返回的 JSON 往往是嵌套的一個(gè)車次下面掛一個(gè)經(jīng)停站數(shù)組每個(gè)站又是一個(gè)對(duì)象。直接塞進(jìn) DataFrame 會(huì)得到一列全是 dict 的尷尬結(jié)構(gòu)。正確做法是先按「一個(gè)車次一行」和「一個(gè)經(jīng)停站一行」拆成兩張表再按需關(guān)聯(lián)。import json import glob import pandas as pd def parse_train_file(path: str): with open(path, r, encodingutf-8) as f: raw json.load(f) # 車次級(jí)別的信息 train_row { train_no: raw.get(train_no), train_type: raw.get(train_no, )[0], # 取首字母做車型 from_station: raw.get(from_station), to_station: raw.get(to_station), start_time: raw.get(start_time), arrive_time: raw.get(arrive_time), duration: raw.get(lishi), # 歷時(shí)字符串如 04:28 } # 經(jīng)停站級(jí)別一行一個(gè)站 stop_rows [] for idx, stop in enumerate(raw.get(stops, []), start1): stop_rows.append({ train_no: raw.get(train_no), station_seq: idx, station_name: stop.get(station_name), arrive_time: stop.get(arrive_time), start_time: stop.get(start_time), mileage: stop.get(mileage), # 累計(jì)里程單位 km }) return train_row, stop_rows def build_tables(patternraw_*.json): trains, stops [], [] for path in glob.glob(pattern): t, s parse_train_file(path) trains.append(t) stops.extend(s) df_train pd.DataFrame(trains) df_stop pd.DataFrame(stops) return df_train, df_stop if __name__ __main__: df_train, df_stop build_tables() print(df_train.shape, df_stop.shape) df_train.to_csv(train_info.csv, indexFalse, encodingutf-8-sig) df_stop.to_csv(train_stops.csv, indexFalse, encodingutf-8-sig)拆兩張表的好處是車次表用來(lái)做車型占比、發(fā)車時(shí)段統(tǒng)計(jì)經(jīng)停站表用來(lái)做站點(diǎn)熱度、線路網(wǎng)絡(luò)。encodingutf-8-sig是為了 Excel 打開(kāi)不亂碼做作業(yè)交上去老師大概率用 Excel 看這個(gè)細(xì)節(jié)能省掉一次返工。train_type直接取車次首字母G/D/K/T/Z 一目了然比后面再寫(xiě)映射簡(jiǎn)單。3.2 時(shí)間字段和里程字段的派生原始數(shù)據(jù)里的時(shí)間多是字符串直接畫(huà)圖排序會(huì)亂。里程字段有時(shí)是累計(jì)值有時(shí)缺省需要補(bǔ)。下面這段處理時(shí)間差和站點(diǎn)間距離。import pandas as pd def to_minutes(t: str): 把 HH:MM 轉(zhuǎn)成分鐘數(shù)跨天的情況簡(jiǎn)單加 24h 處理 if not t or : not in str(t): return None h, m str(t).split(:)[:2] return int(h) * 60 int(m) def enrich(df_train: pd.DataFrame, df_stop: pd.DataFrame): # 歷時(shí)轉(zhuǎn)分鐘 df_train[duration_min] df_train[duration].apply(to_minutes) # 發(fā)車小時(shí)用于時(shí)段分布 df_train[start_hour] df_train[start_time].apply( lambda x: int(str(x).split(:)[0]) if x and : in str(x) else None ) # 站點(diǎn)間距離 當(dāng)前站累計(jì)里程 - 上一站累計(jì)里程 df_stop[mileage] pd.to_numeric(df_stop[mileage], errorscoerce) df_stop df_stop.sort_values([train_no, station_seq]) df_stop[seg_mileage] df_stop.groupby(train_no)[mileage].diff() return df_train, df_stop if __name__ __main__: df_train pd.read_csv(train_info.csv) df_stop pd.read_csv(train_stops.csv) df_train, df_stop enrich(df_train, df_stop) print(df_train[[train_no, duration_min, start_hour]].head()) print(df_stop[[train_no, station_name, seg_mileage]].head())to_minutes把時(shí)間統(tǒng)一成分鐘后面算平均歷時(shí)、畫(huà)時(shí)長(zhǎng)分布都方便。groupby(train_no)[mileage].diff()是算相鄰站里程差的關(guān)鍵第一站 diff 出來(lái)是 NaN屬于正常畫(huà)圖時(shí) dropna 即可。errorscoerce把無(wú)法轉(zhuǎn)數(shù)字的值變成 NaN避免整列報(bào)錯(cuò)這是清洗臟數(shù)據(jù)時(shí)的保命參數(shù)。3.3 清洗階段最容易忽略的三件事第一是去重。同一車次可能因?yàn)榉猪?yè)或重試被抓了兩次落盤(pán)成兩個(gè)文件合并后出現(xiàn)重復(fù)行。合并完先df.drop_duplicates(subset[train_no])一下成本極低。第二是空值統(tǒng)計(jì)df.isnull().sum()跑一遍看看哪個(gè)字段缺失嚴(yán)重缺得多的字段就別硬拿去做核心圖表。第三是類型統(tǒng)一里程、序號(hào)這類字段從 JSON 讀出來(lái)可能是字符串pd.to_numeric統(tǒng)一轉(zhuǎn)一遍不然后面排序會(huì)出現(xiàn)「100 排在 20 前面」的字符串排序玄學(xué)。這三件事做完數(shù)據(jù)才算真正能進(jìn)可視化環(huán)節(jié)。4. 可視化怎么選圖從樞紐識(shí)別到時(shí)段分布的落地4.1 站點(diǎn)熱度用條形圖還是網(wǎng)絡(luò)圖站點(diǎn)出現(xiàn)頻次是最容易做的指標(biāo)把經(jīng)停站表按station_name分組計(jì)數(shù)取 Top 20 畫(huà)橫向條形圖一眼看出哪些站是樞紐。但條形圖只能表達(dá)「次數(shù)」表達(dá)不了「連接關(guān)系」。如果想展示「哪些城市之間互通」就得用網(wǎng)絡(luò)圖節(jié)點(diǎn)是站、邊是同一車次相鄰兩站。import pandas as pd from pyecharts import options as opts from pyecharts.charts import Bar def top_stations(df_stop: pd.DataFrame, top_n20): cnt (df_stop.groupby(station_name) .size() .reset_index(namecount) .sort_values(count, ascendingFalse) .head(top_n)) bar ( Bar() .add_xaxis(cnt[station_name].tolist()[::-1]) .add_yaxis(經(jīng)停次數(shù), cnt[count].tolist()[::-1]) .reversal_axis() .set_global_opts( title_optsopts.TitleOpts(title全國(guó)列車經(jīng)停次數(shù) Top20 站點(diǎn)), xaxis_optsopts.AxisOpts(name次數(shù)), yaxis_optsopts.AxisOpts(name站點(diǎn)), ) ) bar.render(top_stations.html) if __name__ __main__: df_stop pd.read_csv(train_stops.csv) top_stations(df_stop)reversal_axis()把條形圖轉(zhuǎn)成橫向站點(diǎn)名長(zhǎng)的時(shí)候不會(huì)擠在一起。[::-1]反轉(zhuǎn)順序是因?yàn)闄M向條形圖默認(rèn)從下往上畫(huà)不反轉(zhuǎn)的話最大值會(huì)跑到最下面看著別扭。render輸出 HTML交作業(yè)時(shí)直接打開(kāi)就能看比截圖清晰。如果要做網(wǎng)絡(luò)圖pyecharts 的 Graph 組件可以接節(jié)點(diǎn)和邊數(shù)據(jù)但節(jié)點(diǎn)一多瀏覽器會(huì)卡建議先按頻次篩出前 100 個(gè)站再做。4.2 發(fā)車時(shí)段分布和車型占比發(fā)車時(shí)段用直方圖或柱狀圖都行把start_hour按 0 到 23 分組計(jì)數(shù)。車型占比用餅圖train_type分組。這兩個(gè)圖放一起能講出「高鐵集中在白天、普速覆蓋夜間」這類結(jié)論比單純堆圖有說(shuō)服力。from pyecharts.charts import Pie, Bar from pyecharts import options as opts def hour_distribution(df_train: pd.DataFrame): df df_train.dropna(subset[start_hour]) cnt df.groupby(start_hour).size().reindex(range(24), fill_value0) bar ( Bar() .add_xaxis([f{h}時(shí) for h in cnt.index]) .add_yaxis(發(fā)車數(shù)量, cnt.tolist()) .set_global_opts( title_optsopts.TitleOpts(title全國(guó)列車發(fā)車時(shí)段分布), xaxis_optsopts.AxisOpts(name小時(shí)), yaxis_optsopts.AxisOpts(name車次數(shù)), ) ) bar.render(hour_dist.html) def type_pie(df_train: pd.DataFrame): cnt df_train.groupby(train_type).size() pie ( Pie() .add(, [list(z) for z in zip(cnt.index.tolist(), cnt.tolist())]) .set_global_opts(title_optsopts.TitleOpts(title車型占比)) .set_series_opts(label_optsopts.LabelOpts(formatter: cpe4elpci5g%)) ) pie.render(type_pie.html) if __name__ __main__: df_train pd.read_csv(train_info.csv) hour_distribution(df_train) type_pie(df_train)reindex(range(24), fill_value0)是關(guān)鍵保證 0 到 23 點(diǎn)每個(gè)小時(shí)都有位置哪怕某小時(shí)沒(méi)車次也補(bǔ) 0不然橫坐標(biāo)會(huì)跳號(hào)。餅圖的cpe4elpci5g%是 pyecharts 的百分比占位符自動(dòng)算比例不用自己除。這兩個(gè)圖數(shù)據(jù)量小渲染快適合放在報(bào)告開(kāi)頭做概覽。4.3 用地圖把線路畫(huà)出來(lái)需要補(bǔ)什么數(shù)據(jù)想畫(huà)線路地圖光有站名不夠得有經(jīng)緯度。站點(diǎn)經(jīng)緯度不在列車數(shù)據(jù)里需要額外準(zhǔn)備一份「站名 → 經(jīng)緯度」的對(duì)照表。常見(jiàn)做法是找一份公開(kāi)的城市經(jīng)緯度表按站名里的城市名做匹配匹配不上的手動(dòng)補(bǔ)。這一步是整個(gè)可視化里最費(fèi)時(shí)的但地圖出來(lái)的效果也最直觀。import pandas as pd from pyecharts.charts import Geo from pyecharts import options as opts def draw_geo(df_stop: pd.DataFrame, coord_filestation_coord.csv): coord pd.read_csv(coord_file) # 列station_name, lng, lat merged df_stop.merge(coord, onstation_name, howinner) # 按站點(diǎn)聚合取出現(xiàn)次數(shù)作為熱度 heat merged.groupby([station_name, lng, lat]).size().reset_index(namecount) geo ( Geo() .add_schema(maptypechina) .add( 站點(diǎn)熱度, [list(z) for z in zip(heat[station_name], heat[count])], type_effectScatter, ) .set_global_opts( title_optsopts.TitleOpts(title全國(guó)列車站點(diǎn)熱度分布), visualmap_optsopts.VisualMapOpts(max_int(heat[count].max())), ) ) geo.render(station_geo.html) if __name__ __main__: df_stop pd.read_csv(train_stops.csv) draw_geo(df_stop)merge(..., howinner)只保留能匹配上經(jīng)緯度的站匹配不上的直接丟避免地圖上出現(xiàn)空點(diǎn)。effectScatter是帶漣漪效果的散點(diǎn)適合表達(dá)熱度。VisualMapOpts的max_設(shè)成最大頻次顏色深淺才有區(qū)分度。如果站點(diǎn)太多地圖糊成一團(tuán)可以先按頻次篩前 50 個(gè)再畫(huà)。5. 避坑與排查這類項(xiàng)目最容易翻車的五個(gè)地方5.1 請(qǐng)求返回空數(shù)據(jù)或結(jié)構(gòu)突變現(xiàn)象腳本跑著跑著某些車次返回的 JSON 里stops是空的或者字段名和之前不一樣。原因通常是接口對(duì)高頻請(qǐng)求做了限制或者不同車型返回結(jié)構(gòu)本身有差異。解決在解析前先判斷關(guān)鍵字段是否存在raw.get(stops, [])給個(gè)默認(rèn)空列表別讓KeyError直接中斷同時(shí)對(duì)返回為空的記錄單獨(dú)記日志跑完統(tǒng)一看是哪些車次、是不是集中在某個(gè)時(shí)段判斷是限流還是數(shù)據(jù)本身如此。5.2 中文亂碼現(xiàn)象CSV 用 Excel 打開(kāi)全是亂碼。原因pandas 默認(rèn)utf-8寫(xiě)入Excel 在中文環(huán)境下按 GBK 解讀。解決寫(xiě) CSV 時(shí)統(tǒng)一用encodingutf-8-sig這個(gè) BOM 頭能讓 Excel 正確識(shí)別。如果已經(jīng)寫(xiě)壞了用pd.read_csv(..., encodingutf-8)讀回來(lái)再以u(píng)tf-8-sig重寫(xiě)一遍即可。5.3 時(shí)間跨天導(dǎo)致歷時(shí)算成負(fù)數(shù)現(xiàn)象夜間車次到達(dá)時(shí)間小于發(fā)車時(shí)間直接相減得到負(fù)數(shù)。原因跨天車次的到達(dá)時(shí)間其實(shí)是第二天。解決在to_minutes里判斷如果到達(dá)分鐘數(shù)小于發(fā)車分鐘數(shù)給到達(dá)時(shí)間加 1440 分鐘。這個(gè)判斷要放在算歷時(shí)之前不然所有夜間車次的時(shí)長(zhǎng)都是錯(cuò)的。5.4 地圖上站點(diǎn)位置全擠在東部現(xiàn)象Geo 圖出來(lái)點(diǎn)全堆在幾個(gè)大城市西部幾乎空白。原因一是數(shù)據(jù)本身東部車次就多二是部分站名匹配不到經(jīng)緯度被 inner join 丟了。解決先統(tǒng)計(jì)匹配率len(merged) / len(df_stop)低于 80% 就說(shuō)明對(duì)照表覆蓋不夠需要補(bǔ)站名映射如果匹配率夠但分布仍集中那是數(shù)據(jù)真實(shí)分布可以在報(bào)告里說(shuō)明而不是硬調(diào)。5.5 pyecharts 圖表打開(kāi)是空白現(xiàn)象HTML 文件打開(kāi)一片白。原因多半是數(shù)據(jù)里混了 NaN 或 Nonepyecharts 序列化時(shí)出錯(cuò)但不報(bào)明顯錯(cuò)誤。解決畫(huà)圖前對(duì)要用的列統(tǒng)一dropna()數(shù)值列pd.to_numeric(..., errorscoerce)后再 dropna。養(yǎng)成「進(jìn)圖前先 dropna」的習(xí)慣能省掉大量對(duì)著空白頁(yè)面發(fā)呆的時(shí)間。6. 讓作業(yè)從「能跑」到「能講」一個(gè)提分技巧做到上面幾步圖能出來(lái)、數(shù)據(jù)能看作業(yè)已經(jīng)及格了。但期末大作業(yè)拉開(kāi)差距的地方往往不是圖多而是「你有沒(méi)有從數(shù)據(jù)里講出一個(gè)別人沒(méi)注意的結(jié)論」。我自己的習(xí)慣是所有圖做完后回頭找一張最普通的圖往下再挖一層。比如發(fā)車時(shí)段分布圖大部分人畫(huà)完就結(jié)束了。但如果你把車型拆開(kāi)分別看 G 字頭和 K 字頭的發(fā)車時(shí)段會(huì)發(fā)現(xiàn)一個(gè)很明顯的錯(cuò)位高鐵集中在 6 點(diǎn)到 22 點(diǎn)普速則大量分布在夜間和凌晨。這個(gè)結(jié)論本身不新鮮但如果你再疊一層——統(tǒng)計(jì)每個(gè)時(shí)段里「當(dāng)日達(dá)」車次的比例就能講出「夜間發(fā)車的車次里有多少是能當(dāng)天到的、有多少要跨天」這就從描述變成了分析。具體做法是在清洗階段多派生一個(gè)字段import pandas as pd def add_same_day_flag(df_train: pd.DataFrame) - pd.DataFrame: 判斷是否當(dāng)日達(dá)發(fā)車分鐘 歷時(shí)分鐘 1440 df_train[start_min] df_train[start_time].apply( lambda x: int(str(x).split(:)[0]) * 60 int(str(x).split(:)[1]) if x and : in str(x) else None ) df_train[end_min] df_train[start_min] df_train[duration_min] df_train[same_day] df_train[end_min] 1440 return df_train if __name__ __main__: df_train pd.read_csv(train_info.csv) df_train add_same_day_flag(df_train) # 按車型看當(dāng)日達(dá)比例 ratio df_train.groupby(train_type)[same_day].mean().sort_values(ascendingFalse) print(ratio)same_day這個(gè)布爾字段一加能做的分析立刻多了一層按車型看當(dāng)日達(dá)比例、按發(fā)車時(shí)段看當(dāng)日達(dá)比例、按線路長(zhǎng)度看當(dāng)日達(dá)比例。groupby(...).mean()對(duì)布爾列求均值直接得到 True 的占比比sum()/count()簡(jiǎn)潔。這類派生字段成本很低但能讓你的報(bào)告從「我畫(huà)了圖」變成「我從圖里發(fā)現(xiàn)了什么」。另一個(gè)提分點(diǎn)是圖表命名和注釋。title_opts里別只寫(xiě)「發(fā)車分布」寫(xiě)成「全國(guó)列車發(fā)車時(shí)段分布按小時(shí)含夜間車次」把口徑寫(xiě)清楚。老師看報(bào)告時(shí)圖注比圖本身更能體現(xiàn)你有沒(méi)有想清楚。我吃過(guò)這個(gè)虧——早期交作業(yè)圖很花哨但每張圖標(biāo)題都是「圖1」「圖2」被批「不知道你想表達(dá)什么」。后來(lái)養(yǎng)成習(xí)慣每張圖的標(biāo)題就是一句結(jié)論比如「高鐵發(fā)車集中在 6-22 點(diǎn)普速覆蓋全天」圖只是佐證。最后說(shuō)個(gè)數(shù)據(jù)量上的經(jīng)驗(yàn)全國(guó)車次全量抓下來(lái)原始 JSON 加上清洗后的 CSV體積不小跑清洗和畫(huà)圖時(shí)內(nèi)存會(huì)吃緊。我的做法是清洗階段只保留分析要用的列df df[[train_no, station_name, mileage]]這種把寬表裁成窄表后面所有操作都輕快很多。這個(gè)習(xí)慣在做任何數(shù)據(jù)分析項(xiàng)目時(shí)都適用——數(shù)據(jù)不是越多越好夠用且干凈才是。希望幫到你。本文還有配套的精品資源點(diǎn)擊獲取