In jaeseokjeong/LorryProject:

knitr::opts_chunk$set(echo = TRUE, fig.width=5, fig.height=4, fig.align ="center", out.width = "50%" ) # global options
library(ggplot2)
library(foreach)
library(doParallel)
library(data.table)
library(tidyverse)
library(rmarkdown)
library(tinytex)
library(dplyr);library(reshape2);
library(lubridate);library(stringr);library(forecast);
library(pander)
library(ggmap)

setwd("C:/Users/JJS/Desktop/TheLorry Project-20180902T065620Z-001/TheLorry Project/data")
location <- fread('location.csv', header = T)
location$lat <- as.numeric(location$lat)
location$lng <- as.numeric(location$lng)
location_1 <- location %>% 
  dplyr::filter(lat > 0 & lng > 0)

booking <- fread('booking.csv', header = T)
str(booking)
# 변수 속성 변경
booking$booking_datetime <- ymd_hms(booking$booking_datetime)
booking$pickup_datetime <- ymd_hms(booking$pickup_datetime)
booking$distance_km <- as.numeric(booking$distance_km)
booking$total_price_with_gst <- as.numeric(booking$total_price_with_gst)
booking$id <- as.character(booking$id)

1.배송 출발지역 시각화

쿠알라 룸푸르(Kuala lumpur) 지역에 밀집

다른 지역도 뭉처있는 부분은 아마 대도시일듯 (말레이시아 지역을 잘몰라서 우선..)

도시 내 이동이 많은지/ 도시 외부로 이동하는지 지역별로 살펴봐야할듯

pickup_location <- location_1 %>% 
  dplyr::filter(type == "pickup")

map <- get_map(location = 'Malaysia', zoom = 7)

pickup_map <- ggmap(map) + 
  geom_point(aes(x = lng, y = lat), 
             data = pickup_location, 
             size = 0.5, col = "red")

pickup_map

2. 도시 외 이동 개별 id 예시

이동경로에 대한 분석 gif로 제시해도 좋을 것 같음.

Kuala Lumpur -> Kedah

example_id <- location_1 %>% 
  dplyr::filter(booking_id == 11935)

map_1 <- get_map(location = c(lon = 100, lat = 3), zoom = 7, maptype = "roadmap")

direction_example <- ggmap(map_1) + geom_point(aes(x = lng, y = lat, col = type), data = example_id, size = 5)

direction_example

3. 도시 사용량 순위

순위권 도시를 뽑아서 그 도시 위주로 우선 분석이 필요할 것 같음

#City
## 456개 도시에서 사용

city <- location_1 %>% 
  dplyr::count(city) %>% 
  dplyr::arrange(desc(n)) %>% 
  dplyr::mutate(
    city_1 = fct_reorder(city, n, "mean")
  )

## 사용량 Top 15 city

ggplot(city[1:15,], aes(x = city_1, y = n)) +
  geom_col() +
  coord_flip()

4. Buliding_type

크게 세종류

300 개 정도 오염된 데이터(결측값 및 알수없는 변수명)

building <- location_1 %>% 
  dplyr::count(building_type) %>% 
  dplyr::arrange(desc(n)) %>% 
  dplyr::mutate(
    building_type_1 = fct_reorder(building_type, n, "mean")
  )

ggplot(building, aes(x = building_type_1, y = n)) +
  geom_col() +
  coord_flip()

abandoned 수가 비중이 많다. -> 문제

점심시간 사용비중이 높ㄷ

table(booking$booking_status)

booking_time <- booking %>%
  dplyr::filter(booking_status == "completed") %>% 
  dplyr::group_by(hour(booking_datetime)) %>% 
  dplyr::count()

colnames(booking_time) <- c("pickup_hour", "number")

ggplot(booking_time, aes(x = pickup_hour, y = number)) +
  geom_line(size = 1,color = 'red') +
  geom_point(shape = 21,
             size = 2,
             stroke = 1.2,
             color = 'red',
             fill = 'white')

11, 12월 사용량이 많음

booking_month <- booking %>%
  dplyr::filter(booking_status == "completed") %>% 
  dplyr::group_by(month(booking_datetime)) %>% 
  dplyr::count()

colnames(booking_month) <- c("pickup_month", "number")

ggplot(booking_month, aes(x = as.factor(pickup_month), y = number)) +
  geom_col()