1.对共享单车满意度评分数据进行清洗，去除空缺值等
2.对用户满意度分数的整体情况进行分析
3.对于收押金这一举措，用AB测试思路来检测收押金是否会影响用户满意度
二、数据情况（实验数据）
北京四个城区调研客户对共享单车的满意程度，并分为了对照组和实验组，分别对收押金前后的满意程度进行了统计
三、分析过程
1. 清洗数据填补空值
对数据进行整理清理，其中分数有些许空缺值，填补缺失值采用的统计量是去除空值后的分数的平均值，填补缺失值大小是5.458333，实现语句：
setwd("C:/Users/emera/Desktop/共享单车评分数据")
R_homework <-
read.csv("共享单车评分数据.csv",fileEncoding ="UTF-8-BOM")
#查看数据整体情况
str(R_homework)
#查看是否有空值
is.na(R_homework$城区)
is.na(R_homework$分数)
is.na(R_homework$组别)
is.na(R_homework$推荐者)
is.na(R_homework$年龄)
#填充空值
alternative_value<-
mean(R_homework$分数,na.rm = TRUE)
R_homework[is.na(R_homework$分数), "分数"] <-alternative_value
is.na(R_homework$分数)
2. 对分数整体显现情况进行初步分析
从直方图中可以看出，朝阳区和东城区给出8分的用户最多，西城区给出7分的用户最多。海淀区分数两级分化情况比较严重，给最多的分数是9分和3分，同时高分（分数7分以上）数量比其他区域高，但低分（3分以下）的数量也很高。
从箱型图中我们可以进一步看出，朝阳区、东城区、西城区用户的平均分相近，海淀区平均分最高，但是海淀区的分数也是最分散的。从小提琴图中，我们可以看到西城区高分面积最大，低分面积最小，海淀区呈现两极分化的葫芦形，东城区各分数段数量分布比较均匀，朝阳区数据离散度较小。
实现语句：
#直方图
library(ggplot2)
a <-
ggplot(R_homework,aes(分数))
a +geom_histogram(binwidth = 1)
facet_wrap(~城区,nrow=2,ncol=2)+
#箱型图
b <-
ggplot(R_homework,aes(城区,分数))
b + geom_boxplot()
#小提琴图
c <-
ggplot(R_homework,aes(城区,分数))
c +geom_violin(draw_quantiles = c(0.25,0.5,0.75))
3. 各个城区用户给分和年龄关系分析
我们对散点图进行线性拟合。从图中可以看出，各个区域的样本取样较为随机，不存在某一年龄段取样集中的不合理现象。对图形进行观察，发现拟合程度都近似，各个区域打分均表现出和年龄的正相关性。其中朝阳区和东城区的拟合情况最为集中，海淀区和西城区的拟合函数更为陡峭（斜率更高）。有趣的是，各个区域25-30岁的用户打分都在拟合函数之上，25岁以下和30岁以上大多在拟合函数之下。也就是说如果我们用拟合函数最各年龄段的满意度预估，25-30岁区间的满意度更有可能高于预估值，25岁以下和30岁以上区间的满意度更有可能低于预估值。
实现语句：
#散点图拟合年龄和分数关系
g <-
ggplot(R_homework,aes(年龄,分数))
g + geom_point(alpha =0.25)+
geom_smooth(method='lm',col='red')+
theme_bw(base_family= "Avenir",base_size = 15)+
facet_wrap(~城区,nrow=2,ncol=2)+
labs(x='年龄(age)')+
labs(y='分数(score)')+
labs(title='用户满意度调查（分数与年龄关系）')
4. 对“收押金”措施是否对西城区用户满意分有显著影响设计A/B测试
1.原假设H0，发红包对提升用户满意分没有影响，即未发红包对照组满意分均值X1=发红包实验组满意分均值X2
备选假设H1，发红包可对用户满意分有显著影响，即未发红包对照组满意分均值X1=！发红包实验组满意分均值X2
因为假设是问是否有显著影响，好的影响和不好的影响都包含在此假设内，因此采用双侧检测。
2.使用函数t.test()计算P值。
实现方式：
Ttestdata <-read.csv("Ttestdata.csv")
scoreA <-
Ttestdata[Ttestdata$"组别"=="对照组"&Ttestdata$"城区"=="西城区", "分数"]
scoreB <-
Ttestdata[Ttestdata$"组别"=="实验组"&Ttestdata$"城区"=="西城区", "分数"]
#进行T检测
t.test(scoreA,scoreB,alternative= ("two.sided"),conf.level = 0.95)
计算结果：
data: scoreA and scoreB
t = 0.2778, df = 20.926,p-value = 0.7839
alternative hypothesis:true difference in means is not equal to 0
95 percent confidenceinterval:
-2.079380 2.720406
sample estimates:
mean of x mean of y
5.153846 4.833333
3.按照显著性水平α=0.05看，P值0.78大于0.05，所以原假设H0成立，不能证明收押金对用户满意分有显著影响
可以使用数据标号“text()”函数text()函数跟在画图函数语句后面，即先画出图，再标号。下面为来自R的text()函数使用方法（疑难词汇已经标出） Description text draws the strings given in the vector(矢量) labels at the coordinates(坐标) given by x and y. y may be missing since xy.coords(x, y) is used for construction of the coordinates. Usage text(x, ...) ## Default S3 method: text(x, y = NULL, labels = seq_along(x$x), adj = NULL,pos = NULL, offset = 0.5, vfont = NULL,cex = 1, col = NULL, font = NULL, ...) Arguments x, y numeric(数) vectors(矢量) of coordinates(坐标) where the text labels should be written. If the length of x and y differs, the shorter one is recycled. labels a character vector or expression specifying the text to be written. An attempt is made to coerce(强制) other language objects (names and calls) to expressions, and vectors and other classed objects to character vectors byas.character. If labels is longer than x and y, the coordinate...1，静态图先用画好的线框图或者直接在keynote里用色块布局
填充图片，可调整阴影等基本效果
导出图片放进手机里
根据用户反馈调整
2，动画效果
利用Keynote自带的物件动画
活用Keynote最棒的“神奇移动”转场效果
手机装上keynote app打开演示文档
根据反馈调整效果
3，交互事件
调整图片尺寸导入xcode
仅用针对图片的简单代码
仅用简单的交互手势 代码
第一阶段：制作静态图
先用画好的线框图或者直接在keynote里用色块布局，keynote提供了多种智能的对齐，布局，格式等等设计方式，整个过程会非常的轻松。比如自动标尺吸附等距等等，比绝大多数原型制作软件都简单人性化。
2. 对照一些线框图可以继续铺色块和布局，这个过程中你会发现这个对齐和吸附的过程是多么的神奇。
3. 导入图片，Keynote有很多种方式可以调整素材样式，包框，阴影，透明图，实时遮罩等等。是的，你可以用ps慢慢玩，也可以用keynote一键完成。
4. 很多人用原型软件是看中那些控件，其实大多数控件还不如自己在Keynote里制作快速。而且Keynote自带了很多标志和Icon，完全不用到处去找了。比如这个例子里的打分用五星，改个黄色就可以了。
5. 以此类推，可以很快做出很多页面，导出图片格式，在手机中查看
