在R中创建ride_length列及全量数据可视化问题求助

一、找回全量的corrected_rides数据 #

你误将原数据覆盖为3行tibble，必须先恢复原始数据：

• 若数据来自本地文件（如CSV、XLSX），重新执行读取命令：

  # 示例：读取CSV文件，替换为你的实际文件路径
  corrected_rides <- read.csv("corrected_rides.csv")
  # 或用readr包的read_csv（更快处理大文件）
  # library(readr)
  # corrected_rides <- read_csv("corrected_rides.csv")
  

• 若数据是通过代码生成的，重新运行生成该DataFrame的完整代码段，确保得到5674730行的原始数据。
• 若无备份或生成代码，需从原始数据源重新获取数据。

二、正确计算ride_length列 #

首先确保started_at和ended_at为时间类型，否则无法正确计算差值：

1. 检查并转换时间列类型 #

# 查看列类型
str(corrected_rides$started_at)
str(corrected_rides$ended_at)

# 若不是时间类型，用lubridate包转换（新手友好）
install.packages("lubridate")  # 首次使用需安装
library(lubridate)
corrected_rides$started_at <- ymd_hms(corrected_rides$started_at)
corrected_rides$ended_at <- ymd_hms(corrected_rides$ended_at)

# 或用基础R转换（需匹配时间格式，示例为YYYY-MM-DD HH:MM:SS）
# corrected_rides$started_at <- as.POSIXct(corrected_rides$started_at, format = "%Y-%m-%d %H:%M:%S")
# corrected_rides$ended_at <- as.POSIXct(corrected_rides$ended_at, format = "%Y-%m-%d %H:%M:%S")

2. 计算骑行时长 #

直接对时间列做减法，R会自动生成difftime类型结果，也可转换为数值型的分钟/小时：

# 计算时长（默认单位为秒）
corrected_rides$ride_length <- corrected_rides$ended_at - corrected_rides$started_at

# 转换为分钟（更易解读）
corrected_rides$ride_length_min <- as.numeric(corrected_rides$ride_length, units = "mins")

三、全量数据的可视化（用户类型vs骑行时长） #

由于数据量达500万+，直接画散点图会严重卡顿且信息重叠，推荐用分布类图表：

1. 箱线图（展示分位数与异常值） #

install.packages("ggplot2")
library(ggplot2)

ggplot(corrected_rides, aes(x = member_casual, y = ride_length_min)) +
  geom_boxplot(outlier.size = 0.3) +  # 缩小异常点，避免图表杂乱
  labs(title = "不同用户类型的骑行时长分布",
       x = "用户类型",
       y = "骑行时长（分钟）") +
  theme_bw()

2. 小提琴图（展示密度分布） #

ggplot(corrected_rides, aes(x = member_casual, y = ride_length_min)) +
  geom_violin(scale = "width") +
  geom_jitter(alpha = 0.05, size = 0.2) +  # 低透明度散点补充细节
  labs(title = "不同用户类型的骑行时长密度分布",
       x = "用户类型",
       y = "骑行时长（分钟）") +
  theme_bw()

3. 过滤异常值（可选） #

若存在极端时长（如超过24小时的无效记录），可先过滤再绘图：

# 保留0到1440分钟（24小时）内的有效记录
filtered_rides <- subset(corrected_rides, ride_length_min > 0 & ride_length_min <= 1440)

# 用过滤后的数据绘图
ggplot(filtered_rides, aes(x = member_casual, y = ride_length_min)) +
  geom_boxplot() +
  labs(title = "过滤异常值后不同用户类型的骑行时长分布",
       x = "用户类型",
       y = "骑行时长（分钟）") +
  theme_bw()

内容的提问来源于stack exchange，提问作者null_void