作者：Peter 编辑：Peter
大家好，我是Peter~
Airbnb是AirBed and Breakfast ( “Air-b-n-b” )的缩写，中文名称之为：空中食宿，是一家联系旅游人士和家有空房出租的服务型网站，可以为用户提供各式各样的住宿信息。
本文针对kaggle上关于爱彼迎在新加坡的一份数据进行探索分析。原notebook学习地址：https://www.kaggle.com/bavalpreet26/singapore-airbnb/notebook
<!--MORE-->
爱彼迎将全球的租房数据进行了收集，并且放在了自己的官网上供参考，官方数据地址：http://insideairbnb.com/get-the-data.html
上面很多城市的数据，国内的有北京、上海等，都是免费可下载的，感兴趣的朋友可以玩转这些数据。
本文选择的是花园城市-狮城新加坡，是个出国旅游的好去处！
导入库
导入数据分析需要的库：
代码语言：python代码运行次数：0复制import pandas as pd
import numpy as np
# 二维图形
import matplotlib
import matplotlib.pyplot as plt
import seaborn as sns
import geopandas as gpd
plt.style.use('fivethirtyeight')
%matplotlib inline
# 动态图
import plotly as plotly
import plotly.express as px
import plotly.graph_objects as go
from plotly.offline import init_notebook_mode, iplot, plot
init_notebook_mode(connected=True)
# 地图制作
import folium
import folium.plugins
# NLP：词云图
import wordcloud
from wordcloud import WordCloud, STOPWORDS, ImageColorGenerator
# 机器学习建模相关
import sklearn
from sklearn import preprocessing
from sklearn import metrics
from sklearn.metrics import r2_score, mean_absolute_error
from sklearn.preprocessing import LabelEncoder,OneHotEncoder
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression,LogisticRegression
from sklearn.ensemble import RandomForestRegressor, GradientBoostingRegressor
# 忽略告警
import warnings
warnings.filterwarnings("ignore")数据基本信息
导入我们获取到的数据：
查看数据的基本信息：形状shape、字段、缺失值等
代码语言：python代码运行次数：0复制# 数据形状
df.shape
(7907, 16)
# 字段信息
columns = df.columns
columns
Index(['id', 'name', 'host_id', 'host_name', 'neighbourhood_group',
'neighbourhood', 'latitude', 'longitude', 'room_type', 'price',
'minimum_nights', 'number_of_reviews', 'last_review',
'reviews_per_month', 'calculated_host_listings_count',
'availability_365'],
dtype='object')具体解释下每个字段的中文含义为：
- id：记录ID
- name：房屋名字
- host_id：房东id
- host_name：房东名字
- neighbourhood：区域
- latitude：纬度
- longitude：经度
- room_type：房间类型
- price：价格
- minimum_nights：预订最低天数
- number_of_reviews：评论数量
- last_reviews：最近一次评论时间
- reviews_per_month：评论数/月
- calculated_host_listings_count：房东拥有的可出租房屋数量
- availability_365：房屋一年内可租天数
通过DataFrame的info属性我们能够查看数据的多个信息：
具体的缺失值情况：
缺失值处理
1、先查看字段的缺失值分布情况：从下面的图形中看出来也是last_review和reviews_per_month字段存在缺失值
代码语言：python代码运行次数：0复制sns.set(rc={'figure.figsize':(19.7, 8.27)})
sns.heatmap(
df.isnull(),
yticklabels=False,
cbar=False,
cmap='viridis'
)
plt.show()
2、缺失值的字段（上面的两个）和name字段的两行记录直接删除
最终的数据变成了7905行和14个字段。原始数据是7907行，16个字段属性
数据EDA
EDA全称是：Exploratory Data Analysis，主要是为了探索数据的分布情况
价格price
整体的话，价格还是在1000以下
代码语言：python代码运行次数：0复制sns.distplot(df["price"]) # 直方图
plt.show()
下面我们看看价格和最低预订天数的关系：
代码语言：python代码运行次数：0复制sns.scatterplot(
x="price",
y="minimum_nights", # 每夜最少
data=df)
plt.show()
通过价格的散点图，也能够观察到主要的价格还是分布在最低预订天数在200以下的房源中
区域
查看房屋的区域（地理为）分布：更多的房子位于Central Region位置。
代码语言：python代码运行次数：0复制sns.countplot(df["neighbourhood_group"])
plt.show()
上面是从房源的数量上对比每个区域，下面是对比不同
代码语言：python代码运行次数：0复制df1 = df[df.price < 250] # 小于250房子较多
plt.figure(figsize=(10,6))
sns.boxplot(x = 'neighbourhood_group',
y = 'price',
data=df1
)
plt.title("neighbourhood_group < 250")
plt.show()从箱型图中观察到：Central Region区域的房子
- 房价分布更为宽广
- 房价的均值也高于其他位置
- 价格分布没有比较其他的值，较为合理
上面是从房子的区域来比较，下面可以找找它们的具体经纬度：
代码语言：python代码运行次数：0复制plt.figure(figsize=(12,8))
sns.scatterplot(df.longitude,
df.latitude,
hue=df.neighbourhood_group)
plt.show()
房源分布热力图
为了绘制地理位置的热力图，可以学下下这个库：folium
代码语言：python代码运行次数：0复制import folium
from folium.plugins import HeatMap
m = folium.Map([1.44255,103.79580],zoom_start=11)
HeatMap(df[['latitude','longitude']].dropna(),
radius=10,
gradient={0.2:'blue',
0.4:'purple',
0.6:'orange',
1.0:'red'}).add_to(m)
display(m)
房间类型room_type
不同房间类型的占比
统计3种不同房间类型的总数和对应的百分比：
对这3种类型的占比进行可视化对比：
代码语言：python代码运行次数：0复制labels = room_df.index
values = room_df.values
fig = go.Figure(data=[go.Pie(labels=labels,
values=values,
hole=0.5
)])
fig.show()
结论：整租或者公寓方式的房源占比最大，可能更受欢迎。
不同区域的房间类型
代码语言：python代码运行次数：0复制plt.figure(figsize=(12,6))
sns.countplot(
data = df,
x="room_type",
hue="neighbourhood_group"
)
plt.title("room types occupied by the neighbourhood_group")
plt.show()
对比不同区域位置下的不同类型的房间，我们得到相同的结论：在不同的room_type下，Central Region位置的房间是最多的
个人增加部分：如何使用Plotly来绘制上面的分组状图？
px.bar(type_group,
x="room_type",
y="number",
color="neighbourhood_group",
barmode="group")
房间类型和价格关系
代码语言：python代码运行次数：0复制plt.figure(figsize=(12,6))
sns.catplot(data=df,x="room_type",y="price")
plt.show()
个人增加：使用Plotly绘制版本
房间名称
整体词云图
绘制基于房间名称name的词云图：
代码语言：python代码运行次数：0复制from wordcloud import WordCloud, ImageColorGenerator
text = " ".join(str(each) for each in df.name)
wordcloud = WordCloud(
max_words=200,
background_color="white").generate(text)
plt.figure(figsize=(10,6))
plt.figure(figsize=(15,10))
plt.imshow(wordcloud, interpolation="Bilinear")
plt.axis("off")
plt.show()
- 2BR：2 Bedroom Apartments，两室房
- MRT：Mass Rapid Transit，新加坡的地铁；可能是靠近地铁的房子比较多
名字中的关键
将名字进行切割后其中的关键词：
代码语言：python代码运行次数：0复制# 将数据的名字全部装在列表names中
names = []
for name in df.name:
names.append(name)
def split_name(name):
"""作用：切割每个名字"""
spl = str(name).split()
return spl
names_count = []
for each in names: # 循环列表names
for word in split_name(each): # 每个名字实行切割操作
word = word.lower() # 统一变成小写
names_count.append(word) # 每次切割的结果放入列表中
# 计数库
from collections import Counter
result = Counter(names_count).most_common()
result[:5]
top_20 = result[0:20] # 前20个的高频词语
top_20_words = pd.DataFrame(top_20, columns=["words","count"])
top_20_words
plt.figure(figsize=(10,6))
fig = sns.barplot(data=top_20_words,x="words",y="count")
fig.set_title("Counts of the top 20 used words for listing names")
fig.set_ylabel("Count of words")
fig.set_xlabel("Words")
fig.set_xticklabels(fig.get_xticklabels(), rotation=80)
回访量统计
查看哪些房间的回访量较高：
代码语言：python代码运行次数：0复制df1 = df.sort_values(by="number_of_reviews",ascending=False).head(1000)
df1.head()
import folium
from folium.plugins import MarkerCluster
from folium import plugins
print("Rooms with the most number of reviews")
Long=103.91492
Lat=1.32122
mapdf1 = folium.Map([Lat, Long], zoom_start=10)
mapdf1_rooms_map = plugins.MarkerCluster().add_to(mapdf1)
for lat, lon, label in zip(df1.latitude,df1.longitude,df1.name):
folium.Marker(location=[lat, lon],icon=folium.Icon(icon="home"),
popup=label).add_to(mapdf1_rooms_map)
mapdf1.add_child(mapdf1_rooms_map)
可租天数
在不同经纬度条件下，房子在一年中的可租天数对比：
代码语言：python代码运行次数：0复制plt.figure(figsize=(10,6))
plt.scatter(df.longitude,
df.latitude,
c=df.availability_365,
cmap="spring",
edgecolors="black",
linewidths=1,
alpha=1
)
cbar=plt.colorbar()
cbar.set_label("availability_365")
个人增加部分：使用Plotly如何绘制？
代码语言：python代码运行次数：0复制# plotly版本
px.scatter(df,x="longitude",y="latitude",color="availability_365")
price小于500的房子的分布情况：
代码语言：python代码运行次数：0复制# price小于500的数据
plt.figure(figsize=(10,6))
low_500 = df[df.price < 500]
viz1 = low_500.plot(
kind="scatter",
x='longitude',
y='latitude',
label='availability_365',
c='price',
cmap=plt.get_cmap('jet'),
colorbar=True,
alpha=0.4)
viz1.legend()
plt.show()
增加部分：更为简洁的Plotl8y版本
代码语言：python代码运行次数：0复制# plotly版本
px.scatter(low_500,
x='longitude',
y='latitude',
color='price'
)
线性回归建模
预处理
基于线性回归的建模方案，先删除无效字段：
代码语言：python代码运行次数：0复制df.drop(["name","id","host_name"],inplace=True,axis=1)编码类型的转化：
代码语言：python代码运行次数：0复制cols = ["neighbourhood_group","neighbourhood","room_type"]
for col in cols:
le = preprocessing.LabelEncoder()
le.fit(df[col])
df[col] = le.transform(df[col])
df.head()
建模
代码语言：python代码运行次数：0复制# 模型实例化
lm = LinearRegression()
# 数据集
X = df.drop("price",axis=1)
y = df["price"]
# 训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=101)
lm.fit(X_train, y_train)测试集验证
image-20220106005648258title=['Pred vs Actual']
fig = go.Figure(data=[
go.Bar(name='Predicted',
x=error_airbnb.index,
y=error_airbnb['Predict']),
go.Bar(name='Actual',
x=error_airbnb.index,
y=error_airbnb['Actual'])
])
fig.update_layout(barmode='group')
fig.show()
个人增加部分：我们对比预测值和真实值，做出二者的差值diff（增加字段）
代码语言：python代码运行次数：0复制error_airbnb["diff"] = error_airbnb["Predict"] - error_airbnb["Actual"]
px.box(error_airbnb,y="diff")
通过差异值diff的箱型图我们发现：真实值和预测值在有些数据中差别很大。
通过下面的descride属性也可以看到：有的居然相差了6820（绝对值），属于异常值的情况；四分之一的中位为-19，差值为19，整体上二者还是较为接近
