4.
CityBike Operations: задача аналитика
pd.cut() используйте для категорий с собственными границами, а describe() и quantile() — чтобы выбрать эти границы осознанно.
После этого value_counts(), groupby().agg(), qcut() и нормализованный crosstab() помогут проверить группы и ответить на бизнес-вопрос.
Вы — младший аналитик сервиса городского велопроката CityBike. Операционная команда хочет заранее перебрасывать резервные велосипеды в те точки, где ожидается всплеск спроса.
Для этого вам дали почасовую выгрузку за 60 дней. Нужно ответить на главный вопрос:
В какие часы суток чаще всего возникает высокий спрос — и насколько этот вывод зависит от того, где аналитик поставил границы между «низким», «средним» и «высоким» спросом?
Файлы
citybike_hourly.csv — почасовая выгрузка данных;CityBike_analyst.ipynb — рабочая тетрадь с готовой последовательностью анализа.
План работы
- Создать категорию «время суток» (утро, день, вечер, ночь).
- Изучить распределение числа аренд.
- Самостоятельно выбрать две границы спроса и объяснить свой выбор.
- Проверить, что получилось в каждой группе.
- Сравнить своё разбиение с
pd.qcut().
- Определить часть суток с наибольшей долей высокого спроса.
- Изменить границы и убедиться, устойчив ли вывод.
- Написать короткую рекомендацию операционной команде.
Что сдавать
Последняя ячейка ноутбука формирует файл citybike_report.json — именно его нужно загрузить в SilverTests для проверки.
⏱️ Расчётное время работы: 25–28 минут.
Ваш ответ
Для проверки решения задачи необходимо зарегистрироваться или авторизоваться!