Ⅰ 共享单车数据可视化分析（python/Seaborn）
项目数据来源于kaggle项目 Bike Share Demand ，使用Python对数据进行了可视化分析：
1. 提出问题
影响共享单车租用数量的因素有哪些？影响程度如何？
2. 理解数据
变量说明：
3.数据清洗
1)数据预处理：数据完整无缺失值
2)特征工程：从datetime中提取年、月、日、时、星期等时间信息
4. 可视化分析
1）单车使用量在天气维度上的分析（天气、温度、湿度和风速相关性）
可以看到，整体租车量受天气影响较为明显，极端的天气租车数量减少。
4级天气看起来有些异常，于是统计数据条目：
可以看到，4级天气只有1条数据记录，这种极端天气情况出现的数据极少。
温度和使用量有正相关关系，湿度与使用量有负相关关系，风速和使用量几乎不相关。
由图像可看出，使用量与温度、湿度和风速的关系，相关性有限。
2）单车使用量在时间维度上的分析（月份、季节、时间、星期等相关性）
总量来看，节假日和周末/工作日的租车数量基本相同。
图1可以看出2012年共享单车的使用量高于2011年，消费人群增加了1.5~2倍。两年内租车量随月份变化的趋势相同，6、7、8月有明显的高需求。
图2可以看出租车时间高峰为上午7-8点，下午5-6点，符合上下班通勤的时间范围。季节上看，春天的租车辆明显少于其它三个季节。
图3可以看出工作日租车辆主要为上下班时间，周末租车辆主要集中在10am-4pm之间。
3）单车使用量与注册用户/非注册用户的相关性
注册人数使用量明显高于非注册人数，
非会员casual主要是周末出行，为了游玩; 会员registered主要是为了周一到周五上班。
5. 总结
Ⅱ python 文件内容操作，如一个文件100万条数据，查询相同行数
使用open函数逐行读取文件，依次对比，如包含要求字符串，则数量累加1，读取完成后可统计出行数，代码如下：
n=0
forlineinopen('filename','r'):
if'固定字符串'inline:
n+=1
print(n)
说明：
使用 for line in open这种方式可以提高代码效率，如需要更复杂统计，例如重复行，则可以使用hash函数，把行hash值存入列表，再做统计。
Ⅲ nodejs 还是python
1.两者均能结束服务端的需求，不分伯仲。就像我们买车相同，买车的意图是为了出行，python和nodejs就像是路虎和群众，两者都是轿车，究竟谁的方位高?首要仍是看车主你的喜欢
了。相同，喜欢用python的人就会以为python方位高，擅长nodejs的人就会以为nodejs的方位高。但实际情况上时，截止现在两者均在服务端发挥着重要作用，并没有出现一个像轿车一个像自行车这
样的明显可比状况。
2.Node.js比较Python有以下利益。
快，nodejs比python快在了V8引擎和异步实行。Node.js根据V8引擎和异步网络和IOLibrary，和Python的Twisted很像，不同的是Node.js的eventloop是在很底层的，我们都知道越接近
底层功率越高。
其他npm作为Node.js的官方packagemanagement，汇集了整个社区最会集的资源;而Python却是easy_install和pip，还有python2和python3代码不通用的问题;
Windows支撑：Node.js有微软的支撑，在Windows上较安稳。libuv现已可以很好的兼容跨途径，Python尽管也对Windows有官方的支撑，但总时不时出些问题，例如在win10上的一些装置
包问题。