企业官网建设流程全解析

简介：这是一份面向数据科学初学者的Kaggle入门项目，围绕城市自行车共享系统使用状况数据，完成从数据探索、特征工程到需求预测的完整分析流程。资源适合计算机、数据科学与大数据技术、人工智能、物联网等专业的学生用于课程设计、毕业设计或初期演示，也适合希望快速上手实战的算法初学者。压缩包共8个文件，包含3个CSV格式的数据集、2个Python源码脚本、2个Jupyter Notebook交互式分析文档和1份Markdown说明，整包仅823KB，轻量但结构完整。其中，Python脚本实现了可直接运行的预测管线，Notebook则逐步展示神经网络模型的构建、训练与调优细节，项目说明文档梳理了项目背景与实现思路，方便对照学习。目前已有519人浏览学习，这套程式化的赛题流程和可复用代码框架，能帮助读者快速入门自行车共享需求预测这类典型回归任务。

1. Kaggle入门项目到底在练什么：从一辆共享单车看到预测建模全流程

第一次在Kaggle上打开城市自行车共享系统的题目，我对着hour.csv里的上万条骑行记录愣了很久。这个项目之所以被当作入门经典，是因为它把数据清洗、特征工程、模型选型和评估指标串成了一条完整的流水线。你要做的，是用华盛顿某共享单车系统的历史租赁数据，预测每个小时会有多少人租车。它不要求深度学习背景，Python基础加pandas、sklearn就够用；但想拿高分，又需要你认真处理时间特征和验证集切分。对刚注册Kaggle的新手来说，这是第一个能把手绕到发酸但确实能出成绩的实战项目。本文会顺着这份“python源码+项目说明”的常规结构，拆解从数据加载到模型提交的每一步，以及那些让新手反复翻车的坑。

2. 先让数据开口说话：自行车共享数据的加载与探索性分析

2.1 数据文件长什么样：hour.csv与day.csv的字段差异

常见项目源码包里会带一份数据说明，告诉你原始数据来自UCI的Bike Sharing Dataset。它由两个CSV文件组成：hour.csv是逐小时粒度，day.csv是逐日粒度。很多新手一上来就把day.csv当主表，结果预测的粒度完全不对。实际上，官方题目要求预测的是“每小时”的租车量，所以hour.csv才是主战场。day.csv只有731行，小时数据有17379行，样本量上hour.csv也更适合训练机器学习模型。

先用pandas把两份数据读进来，确认字段结构。你不需要额外安装包，pandas和numpy是跑这种项目最基础的两件套。

import pandas as pd import numpy as np # 加载小时级数据，sep默认是逗号 hour = pd.read_csv('hour.csv') day = pd.read_csv('day.csv') # 先看形状和表头 print('hour shape:', hour.shape) print('day shape:', day.shape) print(hour.head())

从输出能看到，hour.csv里包含dteday、hr、season、yr、mnth、holiday、weekday、workingday、weathersit、temp、atemp、hum、windspeed、casual、registered、cnt字段。instant是行号，dteday是日期，hr是0到23的小时。season用1到4表示春夏秋冬，weathersit用1到4表示晴、雾、小雨、暴雨等天气等级。这两个字段本质上都是分类变量，不能直接当数字喂给模型。

为了后续统一处理，我会先构造一个真正的datetime列，同时检查缺失值。UCI这份数据一般没有缺失，但检查这一步不能省，尤其是hum和windspeed如果出现0，那往往是测量下限而不是缺失，不要顺手填充掉。

# 拼出完整时间戳，方便后续按时间排序和切分 hour['datetime'] = pd.to_datetime(hour['dteday'].astype(str) + ' ' + hour['hr'].astype(str) + ':00:00') # 缺失值检查：正常情况每个字段都是0 print(hour.isnull().sum())

字段级业务含义会影响你的特征工程决策，下面这个表是这份数据里最关键的几个字段，我把建模时的处理建议也一并列出来。

这份表格里最容易埋雷的是casual和registered。它们俩加和正好等于cnt，如果把它们留在特征里，模型等于直接看到了答案。后面第5章会专门说这个坑。

2.2 用pandas快速查看目标分布与周期规律

拿到数据后不要急着建模，先花半小时做探索性分析。共享单车的需求不是随机波动，它明显受一天内的早晚高峰、一周内的工作日/周末、一年内的季节变化影响。用直方图和分组均值就能看出这些规律。

import matplotlib.pyplot as plt # 目标变量cnt的分布：长尾明显，多数时候租车量在0附近 plt.figure(figsize=(10, 4)) plt.hist(hour['cnt'], bins=60, edgecolor='k', alpha=0.8) plt.xlabel('total rentals per hour') plt.ylabel('count') plt.title('Distribution of cnt') plt.show() # 按小时和工作日分组，画平均租车量曲线 hour.pivot_table(index='hr', columns='workingday', values='cnt', aggfunc='mean').plot() plt.ylabel('average cnt') plt.legend(['non-workingday', 'workingday']) plt.show()

这个pivot_table是整份数据里最值得看的图。工作日的cnt曲线在上午8点和下午18点会出现两个高峰，非工作日则是午后平缓的一条弧线。这直接证明hour是强特征，而且工作日与非工作日的行为模式不同，后面可以让模型自己学这种交互，也可以在特征工程里手动加“早高峰”这类标志。

再算一下数值特征与目标的相关性，能给特征筛选做参考。温度、体感温度与租车量正相关，湿度和风速有负相关趋势，但相关性不意味着因果关系，尤其是hum和windspeed之间可能存在交互作用，线性模型里要小心多重共线性。

# 温度、湿度等数值特征与cnt的相关性 corr = hour[['temp', 'atemp', 'hum', 'windspeed', 'cnt']].corr() print(corr['cnt'].sort_values(ascending=False))

2.3 先按时间切分训练集和测试集：别让随机切分毁掉结果

许多新手习惯直接调用train_test_split，这在普通分类题上没毛病，但共享单车是时间序列预测。官方给的测试区间通常是一段连续的末尾日期，如果你用随机切分，训练集里混入未来数据，模型等于提前看到了答案，本地验证分数虚高，一提交就现原形。正确做法是按时间顺序，把最后一段数据留作验证。

from sklearn.model_selection import train_test_split # 错误做法：随机切分 X = hour.drop(['cnt'], axis=1) y = hour['cnt'] X_train_wrong, X_test_wrong, y_train_wrong, y_test_wrong = train_test_split( X, y, test_size=0.2, random_state=42) # 正确做法：按datetime排序，用连续时间点切分 hour = hour.sort_values('datetime').reset_index(drop=True) split_date = '2012-10-01' train = hour[hour['datetime'] < split_date].copy() test = hour[hour['datetime'] >= split_date].copy() print(f'train rows: {len(train)}, test rows: {len(test)}')

这里train包含2011-01-01到2012-09-30的数据，test是从2012-10-01开始到最后，两者时间完全不相交。之后所有特征构造、滞后统计都只允许在train上计算，再merge到test。这是时间序列项目的第一条铁律。

3. 特征工程是这题的胜负手：时间特征与滞后特征怎么造

3.1 把日期拆成小时、星期、月份，并做周期编码

前面的探索已经说明时间因素决定租车量，所以特征工程的第一步，就是把datetime里的信息拆成模型认识的数值。注意train和test要用同一套逻辑，最好封装成函数，避免两边特征列不一致。

def extract_time_features(df): df = df.copy() df['hour'] = df['datetime'].dt.hour df['weekday'] = df['datetime'].dt.weekday df['month'] = df['datetime'].dt.month df['is_weekend'] = (df['weekday'] >= 5).astype(int) return df train = extract_time_features(train) test = extract_time_features(test)

拆出来的hour、weekday、month可以直接当类别特征，也可以做周期编码。hour取值0到23，23点和0点在数值上相差23，但实际需求上它们很接近——深夜都是低谷，清晨刚开始回升。线性模型无法理解这种循环边界，因此对线性回归和神经网络，必须把周期变量展开成sin和cos。

# 周期编码：把小时转成二维坐标 train['hour_sin'] = np.sin(2 * np.pi * train['hour'] / 24) train['hour_cos'] = np.cos(2 * np.pi * train['hour'] / 24) train['month_sin'] = np.sin(2 * np.pi * train['month'] / 12) train['month_cos'] = np.cos(2 * np.pi * train['month'] / 12) test['hour_sin'] = np.sin(2 * np.pi * test['hour'] / 24) test['hour_cos'] = np.cos(2 * np.pi * test['hour'] / 24) test['month_sin'] = np.sin(2 * np.pi * test['month'] / 12) test['month_cos'] = np.cos(2 * np.pi * test['month'] / 12)

树模型不一定要周期编码，因为决策树是逐点切分的，没准能从原始hour数值里直接学出“早上8点”和“傍晚18点”这两个切分点。但线性模型非常依赖这种编码，如果你打算先跑一个线性回归基线，周期特征几乎是必须的。

3.2 分类变量处理：season、weathersit的独热编码与业务顺序

season和weathersit虽然写成数字1到4，但数字大小没有数学意义，季节从1到4不等于数值翻倍。对于这类无序类别，常见做法是用pd.get_dummies做独热编码。hour数据里类别字段不多，独热后维度增加也不大，可以放心用。

# 先转成字符串再独热，避免pandas把数值类别误判成连续变量 cat_cols = ['season', 'weathersit', 'holiday', 'workingday', 'weekday'] for col in cat_cols: train[col] = train[col].astype('category') test[col] = test[col].astype('category') # 独热编码，drop_first=False保留全部类别 train = pd.get_dummies(train, columns=cat_cols, drop_first=False) test = pd.get_dummies(test, columns=cat_cols, drop_first=False)

注意drop_first=False意味着每个类别都会生成一列，这在线性回归里会造成多重共线性，但对树模型影响不大。如果你用线性回归并且发现系数不稳定，可以把drop_first改成True。另一个容易被忽略的点是：train和test做完get_dummies后，列名必须完全对齐。用pd.get_dummies时，如果某个类别只出现在test里，就会多出一列，后面建模时会报错。一个简单的处理办法是join后reindex。

# 确保train和test特征列一致 X_train = train.drop(['cnt', 'datetime', 'dteday', 'hr', 'casual', 'registered'], axis=1) X_test = test.drop(['cnt', 'datetime', 'dteday', 'hr', 'casual', 'registered'], axis=1) X_test = X_test.reindex(columns=X_train.columns, fill_value=0)

这里用reindex把test里缺失的列补0，出现的多余列剔除掉，是一个很实用的对格式技巧。

3.3 滞后特征与滑动统计：最容易泄漏的地方

想要把预测做准，光靠天气和时间还不够。共享单车有一个强惯性：今天下午5点的租车量，和昨天下午5点、上周一下午5点有很强的相关性。所以常见做法是构造滞后特征和滚动均值。但滞后特征在时间序列里非常容易踩中数据泄漏，需要特别小心。

最常见的错误是对全量数据直接shift。例如：

# 错误示范：对全量数据shift，测试集会用到未来真实值 wrong = hour.copy() wrong['cnt_lag1'] = wrong['cnt'].shift(1)

这样构造的cnt_lag1在测试集里包含了训练集最后一天的真实成交量，但线上预测时，测试起始时刻的上一小时数据可能根本拿不到。正确方式是在train上计算滞后统计量，再merge到test。

# 在train上按时间排序，构造滞后列 train = train.sort_values('datetime').reset_index(drop=True) for lag in [1, 2, 24, 168]: train[f'cnt_lag_{lag}'] = train['cnt'].shift(lag) # 前168行会出现NaN，用训练集整体均值填掉 train = train.fillna({'cnt_lag_1': train['cnt'].mean(), 'cnt_lag_2': train['cnt'].mean(), 'cnt_lag_24': train['cnt'].mean(), 'cnt_lag_168': train['cnt'].mean()})

lag=1是上一小时，lag=24是昨天同一小时，lag=168是上周同一小时。这几个特征能大幅拉低RMSLE，但前提是测试集也能获得这些滞后值。真实比赛中，官方一般会提供测试期间的过去天气特征，但不会给你过去一小时的cnt，所以lag特征只能作为训练时的辅助，不能直接作为测试集的预测输入。

更稳妥的做法是用“星期+小时”的历史均值作为冷启动特征。这种特征从train统计得到，测试时可以直接用，不会泄漏。

# 计算每个(星期, 小时)组合在训练集上的平均租车量 temp_agg = train.groupby(['weekday', 'hour'])['cnt'].mean().reset_index() temp_agg.columns = ['weekday', 'hour', 'mean_cnt_weekday_hour'] train = train.merge(temp_agg, on=['weekday', 'hour'], how='left') test = test.merge(temp_agg, on=['weekday', 'hour'], how='left')

这个mean_cnt_weekday_hour特征相当于给模型一个“基准温度”：工作日早8点平均租车量是多少，深夜0点平均又是多少。测试集没有真实cnt也能用，而且效果往往比单纯shift的lag特征更稳定，因为它不会被离群点带偏。

4. 预测模型选型与训练：从线性回归到梯度提升的落地路径

4.1 基线模型：用线性回归先摸清数据量纲

拿到特征后，第一个模型不需要太复杂。线性回归虽然打不进排行榜前列，但能帮你验证特征构造是否正确、数据量纲是否合理。因为cnt长尾分布严重，直接拟合原始数值容易被大值主导，一个常见处理是对目标做log1p变换，让模型预测对数空间，最后再还原。

from sklearn.linear_model import LinearRegression from sklearn.metrics import mean_squared_log_error # 这里直接用上一章处理好的X_train和X_test y_train = train['cnt'] y_test = test['cnt'] model = LinearRegression() model.fit(X_train, np.log1p(y_train)) pred_lr = model.predict(X_test) pred_lr = np.expm1(pred_lr) pred_lr = np.clip(pred_lr, 0, None) # 防止负值 print('LR RMSLE:', mean_squared_log_error(y_test, pred_lr))

注意np.log1p和np.expm1是一对互逆操作，np.log1p是log(x+1)，因为cnt可能为0，直接log0会得负无穷。线性回归的预测值在对数空间里可能是负的，还原后也可能为负，所以必须clip到0。这段代码里，X_train包含所有独热、周期和冷启动特征，如果特征工程正确，RMSLE应该落在1.0到1.3左右，不算好，但已经不是瞎猜。

线性回归的短板很明显：它学不了早晚高峰这种非线性交互。哪怕加了周期编码，模型表达能力仍然有限。所以基线跑通后，下一步就把树模型搬上来。

4.2 树模型上场：随机森林与XGBoost的调参边界

随机森林对异常值不敏感，也不需要特征标准化，非常适合这种类别较多的表格数据。树模型在Kaggle里被用得烂大街，但参数设置不当同样会翻车。下面是我常用的随机森林配置。

from sklearn.ensemble import RandomForestRegressor rf = RandomForestRegressor( n_estimators=300, max_depth=12, min_samples_leaf=3, n_jobs=-1, random_state=42 ) rf.fit(X_train, y_train) pred_rf = rf.predict(X_test) pred_rf = np.clip(pred_rf, 0, None) print('RF RMSLE:', mean_squared_log_error(y_test, pred_rf))

n_estimators设为300，再大收益甚微还拖慢训练；max_depth限制为12，防止树在17379个样本上学到过于琐碎的噪声；min_samples_leaf=3保证叶子节点至少3个样本，这个参数对稳定性影响很大。随机森林不需要对数变换目标，可以直接拟合原始cnt。

如果希望进一步压低分数，就得上梯度提升。XGBoost在这类表格数据上几乎是标配。我用它时会关注三个参数：learning_rate、subsample和colsample_bytree。

import xgboost as xgb xgb_model = xgb.XGBRegressor( n_estimators=500, learning_rate=0.05, max_depth=6, subsample=0.8, colsample_bytree=0.8, objective='reg:squarederror', random_state=42 ) xgb_model.fit(X_train, y_train, eval_set=[(X_test, y_test)], verbose=False) pred_xgb = xgb_model.predict(X_test) pred_xgb = np.clip(pred_xgb, 0, None) print('XGB RMSLE:', mean_squared_log_error(y_test, pred_xgb))

learning_rate=0.05搭配500棵树的组合是经验值。learning_rate调大后树数要相应减少，否则过拟合；subsample=0.8表示每棵树只用80%的样本，colsample_bytree=0.8表示每棵树只用80%的特征，这两个参数能有效抑制过拟合。XGBoost默认目标函数是reg:squarederror，也就是普通MSE。如果你想让误差在log空间更均衡，可以把目标改成reg:squaredlogerror，但必须先熟练默认目标函数。

4.3 评估指标：RMSLE为什么比RMSE更适合计数型目标

Kaggle这个项目用的评估指标是RMSLE，全称是Root Mean Squared Logarithmic Error。很多新手第一次用sklearn的mean_squared_log_error，但没搞懂它背后的意义。公式是sqrt(mean((log(pred+1) - log(true+1))^2))，相当于在log空间里算RMSE。

这个指标对“大值预测错一点”和“小值预测错一点”的处理完全不同。高峰期租车量300，预测成400，RMSE是100；凌晨租车量10，预测成40，RMSE是30。从RMSLE来看，前者是log(301)-log(401)约等于0.28，后者是log(11)-log(41)约等于1.35，后者惩罚重得多。这符合业务直觉：低峰的绝对误差虽然小，但相对误差大，代表模型完全误判了需求低谷。

因此做这个项目时，不要用平均绝对误差或RMSE做本地验证。邮件列表里常有人把验证集RMSE降得很低，但提交后排名反而不理想，就是因为优化方向错了。确认指标用RMSLE之后，还可以做一个简单的交叉验证：把训练集按时间切成三段，每段分别算RMSLE，取平均。但务必保持时间顺序，不能打乱。

5. 避坑指南：共享单车预测项目里最常见的5个翻车现场

5.1 现象：训练集RMSLE很漂亮，提交分数却崩盘

本地验证RMSLE在0.3以下，提交到Kaggle直接变成1.5，这在时间序列题里最常见。原因基本只有一个：验证集切分方式错了。很多人直接使用train_test_split随机打乱数据，让模型在训练时看到了未来数据。解决方法是把训练集最后20%按时间留出来，不要有任何随机因素。我用split_date='2012-10-01'切分后，本地分数才开始和线上保持一致。

5.2 现象：模型预测出现负值，RMSLE直接报错

线性回归在预测非负计数时经常输出负值，尤其是凌晨时段。原因是模型没有约束下限，而训练数据长尾又重，直线拟合可能在某些低值区间压到0以下。解决方法是每次预测后都加np.clip(pred, 0, None)。如果在用sklearn的mean_squared_log_error，它内部要求预测值非负，负值会直接报错。还有一个根治方案：把目标变换到log空间，就像4.1那样，负值问题会小很多，但依然要clip。

5.3 现象：把casual和registered留在特征里，自嗨式高分

有些初学者没仔细看字段说明，把casual和registered也当成特征，训练时RMSLE能低到0.05，几乎完美。这是因为cnt = casual + registered，模型直接学会了加法运算，等于开卷考试。线上预测时根本没有casual和registered这两个输入，所以分数必然崩溃。解决方法是建模前把所有与目标线性相关的字段全部删掉，包括instant、dteday、hr这类行号和原始时间戳。检查方法很简单：训练完打印特征重要性，如果casual或registered排在最前面，肯定是泄漏了。

5.4 现象：时间特征直接当数值，线性回归的预测曲线难看到哭

有人把hour、month直接当成连续数值特征喂给线性回归，得到的预测曲线是一条斜线，完全看不到早晚高峰的起伏。原因是线性模型假设数值大小与目标单调相关，但小时0到23是一个循环变量，16点不一定比15点高。解决方法是把hour做周期编码sin/cos，或者干脆转成类别特征并用独热编码。树模型可以不处理，但线性模型必须处理。

5.5 现象：滞回特征用了未来数据，模型在测试阶段“开天眼”

构造cnt_lag_1时，如果对全量数据shift，测试集的cnt_lag_1会包含训练集最后一天的真实值。本地验证时模型能用这个过去值，而线上评估时这些值不可用，导致本地和线上差异巨大。解决方法是只在训练集上构造lag特征，测试集使用merge过来的历史统计量，例如“星期+小时”的平均cnt。另外，训练集内做lag特征后要丢弃前几行NaN，否则fillna会引入训练集全局均值，虽然不泄漏，但会污染早期样本。

6. 收尾技巧：让源码和项目说明成为能放进简历的作品

6.1 生成提交文件，别让结果烂在Jupyter里

很多人做完模型只在Notebook里打印一个RMSLE就结束了，这浪费了项目价值。Kaggle项目的产出应当是能提交的CSV和一份干净的源码。常见提交格式是两列：datetime和predicted_cnt。如果你之前切分test时保留了datetime，直接输出即可。

submission = pd.DataFrame({ 'datetime': test['datetime'], 'predicted_cnt': np.clip(pred_xgb, 0, None) }) submission.to_csv('submission.csv', index=False)

写提交文件时用整数还是浮点数没有硬性要求，RMSLE在log空间计算，浮点数对结果影响极小。但submission.csv的列名必须和官方要求完全一致，否则提交后会报“invalid submission”。这份CSV保存好，项目说明里附上模型参数和本地RMSLE，就能形成一份完整的作品集材料。

6.2 用特征重要性反向检查数据泄漏

树模型和XGBoost都自带feature_importances，它可以帮你验证特征工程是否合理。实际跑完XGBoost后，我会打印前10个特征，重点关注两类情况：一是casual和registered这类泄漏特征是否出现，二是滞后特征是否排在榜首。如果mean_cnt_weekday_hour排在第一位，这是好事；如果cnt_lag_1排第一，你就要警惕测试集是否真的能拿到这个值。特征重要性也是调参的航标，比如hour_sin比hour_cos重要很多，说明小时周期编码在模型决策里确实起了作用。

做完以上这些，这个项目就已经具备一个可复现、可说明的完整闭环了。我自己的习惯是最后写一段注释放在源码顶部，记录数据来源、切分日期、关键参数和最终RMSLE。这样过三个月再回来看，还能想起当时为什么把learning_rate从0.1改到0.05。这个项目最大的价值不在于刷一个多高的排名，而是让你在错误的数据泄漏、错误的时间切分、错误的评估指标里栽过跟头，以后再做任何时间序列任务，都会先条件反射地去看一眼验证集切得对不对。希望帮到你。

本文还有配套的精品资源，点击获取