Airbnb公开数据集-北京市数据分析

1 Větve

Tingsong Lu b37ec03cf8 first commit		před 2 roky
.ipynb_checkpoints	b37ec03cf8 first commit	před 2 roky
data	b37ec03cf8 first commit	před 2 roky
Airbnb.ipynb	b37ec03cf8 first commit	před 2 roky
Airbnb公开数据集-北京市数据分析.md	b37ec03cf8 first commit	před 2 roky
README.md	b37ec03cf8 first commit	před 2 roky
cn_stopwords.txt	b37ec03cf8 first commit	před 2 roky
simhei.ttf	b37ec03cf8 first commit	před 2 roky

Airbnb公开数据集-北京市数据分析

作业内容

商务智能技术主要用于对商业数据进行分析，以提高商业决策的准确性和效率。

本次作业选择的数据集是 Airbnb 的公开数据，需要根据分析目标，选择合适的算法进行分析，并编写代码实现。分析过程中，需要进行数据清洗和预处理，并结合实际情况利用可视化操作、回归分析等方法进行数据分析。最后，需要结合实际情况对分析结果进行解读和讨论。

分析目的

目的是对北京地区民宿的分布，受欢迎词条分析和可视化展示，以期对北京民宿市场的理解提供指导

数据集下载

在 Airbnb 公开数据中找到 Airbnb 的公开数据。选择合适的数据集，下载到本地。这里选择了Airbnb于21 June, 2022公布的Beijing相关数据，如下图：

数据集初探

导入相关库文件

import numpy as np
import pandas as pd

读取listings.csv文件

listing = pd.read_csv("data\listings.csv")

查看数据集基本情况

listing.head()

输出如下

查看info统计情况

listing.info()

输出如下

可以看到其中有部分feature数据丢失，因此需要手动选取对于分析较为有价值的feature；同时有部分数据格式不方便处理，为object格式，需要预处理

数据预处理

对price进行预处理，转换为float64格式

# 预处理price，将object数据转化为int格式
def convert_currency(var):
    """
    convert the string number to a float
    _ 去除$
    - 去除逗号，
    - 转化为浮点数类型
    """
    new_value = var.replace(",","").replace("$","")
    return float(new_value)

listing["price"] = listing["price"].apply(convert_currency)

数据分析

连续性字段

把连续性字段拿出来形成一张新的表格，然后对其进行描述性分析

new_columns = ['price','minimum_nights','number_of_reviews','calculated_host_listings_count','availability_365']
data = listing[new_columns]
data.describe()

输出如下

通过连续型特征观察各个字段的分布，我们可以得出：

price价格分布较广，平均为1690美元左右，中位数为848美元
minimum_nights（客人最少入住天数）大部分为1天，少数要求较高
calculated_host_listings存在一些极大值，表明一些房主是二房东运营着多套房子
number_of_reviews存在极大值，可能要注意是否存在雇佣水军刷评论的现象

民宿分布

import matplotlib.pyplot as plt

# 民宿分布分析
data = listing['room_type'].value_counts().tolist()
a = listing['room_type'].unique()
plt.bar(x=a, height=data)

可以发现大多数都是整租，很少有人合租

房东统计

listing[['host_name','name']].groupby('host_name').count().sort_values(by='name',ascending=False).head()

可以看到host_name相对集中，印证了上文面连续型中calculated_host_listings中得出的结论

民宿分布位置

listing['neighbourhood_cleansed'].value_counts()

可以看出不同区域民宿分布差距较大

民宿分布比例可视化

定义一个查看哪些区域超过了平均民宿数量来用作饼图的参数分配

def explode_situtation(data):
    explode = {}
    for i in range(len(data)):
        if data[i]>data.mean():
            explode[data.index[i]] = 0.1
        else:
            explode[data.index[i]] = 0
    return explode


explode = list(explode_situtation(listing.neighbourhood_cleansed.value_counts()).values())

使用plt进行可视化

import seaborn as sns

data2 = listing.neighbourhood_cleansed.value_counts()
plt.figure(figsize=(20,20))
plt.title('民宿区域分布比例图',fontdict={'fontsize':18})
plt.pie(data2,labels=data2.index,autopct='%.2f%%',explode=explode,startangle=90,
       textprops={'fontsize':12,'color':'black'},colors=sns.color_palette('hls',n_colors=18))
plt.legend()

输出如下

可以看出民宿分布集中在怀柔、延庆、密云、朝阳等区，可能是由于这些区域旅游业相对发达

分析价格情况

价格初探

首先需要查看价格的基本情况，是否有异常值需要预处理

# 查看价格情况
sns.distplot(listing['price'],color='b')

可以看到有部分民宿房价有0的情况，查看一下房价为0的数据

price_is_0 = listing[listing['price']==0]
price_is_0

输出如下

清除异常数据

drop_index_list = price_is_0.index.tolist()
listing_dealt = listing.drop(drop_index_list)
listing_dealt[listing_dealt['price']==0]

可以看到已经没有异常数据

各区域价格统计

# 对各个区的价格进行可视化描述

b=pd.DataFrame(listing_dealt['neighbourhood_cleansed'].unique(),columns=['区域'])
b['最高价格']=listing_dealt[['price','neighbourhood_cleansed']].groupby('neighbourhood_cleansed').max().price.tolist()
b['最低价格']=listing_dealt[['price','neighbourhood_cleansed']].groupby('neighbourhood_cleansed').min().price.tolist()
b['中位数价格']=listing_dealt[['price','neighbourhood_cleansed']].groupby('neighbourhood_cleansed').median().price.tolist()
b['25%价格']=listing_dealt[['price','neighbourhood_cleansed']].groupby('neighbourhood_cleansed').quantile(0.25).price.tolist()
b['75%价格']=listing_dealt[['price','neighbourhood_cleansed']].groupby('neighbourhood_cleansed').quantile(0.75).price.tolist()
b['25%价格']=np.array(listing_dealt[['price','neighbourhood_cleansed']].groupby('neighbourhood_cleansed').quantile(0.75).price.tolist())-np.array(listing_dealt[['price','neighbourhood_cleansed']].groupby('neighbourhood_cleansed').quantile(0.25).price.tolist())
b

输出如下

可以看到其中密云、房山、海淀、西城、延庆的房价较高，与区域特征有关

民宿受欢迎关键词分析

找出受欢迎的民宿数据

数据集中包含有评论数，这里暂且将评论数作为入住人数，找出大于90分位的民宿数据作为受欢迎的民宿

首先获取90分位数值

avg_review = listing_dealt['number_of_reviews'].quantile(0.9)
avg_month_review = listing_dealt['reviews_per_month'].quantile(0.9)
print(avg_review)
print(avg_month_review)

然后根据数值找到受欢迎的民宿

popular_home = listing_dealt[(listing_dealt['number_of_reviews']>avg_review)&(listing_dealt['reviews_per_month']>avg_month_review)]
head10=popular_home.sort_values(by=['number_of_reviews','reviews_per_month'],ascending=False).head(10)
head10['property_type']

得到如下结论：

前10的受欢迎的民宿中大部分都是专业的运营团队，其名下不止一套房子，但是最大持有量也不超过11，这是由于在民宿行业并不会因为规模越大边际成本就越低，因为二房东去租十套房的租金并不会比租一套房的租金更低
前10的受欢迎的民宿中有4家民宿、6个旅馆，可以看到目前民宿与旅馆竞争激烈；其中仅有一家是合租，可以看出整租比起合租十分有优势
价格跨度比较大，在75美元到610美元之间；75美元是合租，大部分价格在300-500美元之间

关键词提取

首先需要对民宿数据的描述进行分词

import jieba

# 对描述进行分词

def jieba_cut(data):
    a=[]
    worddict={}
    with open('cn_stopwords.txt', encoding='utf8') as f:
        result=f.read().split()
    for i in data:
        words=jieba.lcut(i)
        word=[x for x in words if x not in result]
        a.extend(word)
    for word in a:
        worddict.setdefault(word,0)
        worddict[word]+=1
    return worddict
popular_words = jieba_cut(popular_home.name.astype('str'))

然后选取排名前十五的有意义的词

def deal_with_meanless_word(data):
    mean_words={}
    for i in data.keys():
        if len(i)>1:
            mean_words[i]=data[i]
    return mean_words
mean_words=deal_with_meanless_word(popular_words)
mean_words_df=pd.Series(mean_words).sort_values(ascending=False)
mean_words_df_top15=mean_words_df.head(15)
mean_words_df_top15

数据可视化

plt.figure(figsize=(15,8))
plt.title('最受欢迎的房间中关键词')
mean_words_df_top15.plot(kind='bar',ylim=[0,100])

生成词云

import re
from wordcloud import WordCloud
%pylab inline
%matplotlib inline

wordcloud_use=' '.join(mean_words_df.keys())
resultword=re.sub("[A-Za-z0-9\[\`\~\!\@\#\$\^\&\*\(\)\=\|\{\}\'\:\;\'\,\[\]\.\<\>\/\?\~\。\@\#\\\&\*\%]","",wordcloud_use)
w=WordCloud(scale=26,margin=3,background_color='white',font_path='simhei.ttf',max_words=200,max_font_size=50,random_state=20).generate(resultword)
f,axis=plt.subplots(figsize=(15,15))
plt.axis('off')
plt.imshow(w)

输出如下

得出结论

地铁毫无疑问排第一名，在当前社会地铁已经是一个城市最重要的公共交通设施，特别在北京这样的大都市，临近地铁成为房屋市场的重要决策因素
靠近景点和地标。如环球影城、欢乐谷、国贸、天安门等
民宿设施，如投影、露台、庭院等
总的来说，外部因素远比内部更重要，所以要如果需要开民宿，选址是第一位的

总结

通过对airbnb数据集的探索分析可以发现北京越靠近内环和旅游区，民宿数量越多。如果想要进入民宿行业发展，则在需要考虑的因素中，首先需要考虑交通、地理位置，其次需要对民宿进行现代化、风格化装修，同时民宿市场不宜进行大型投资，规模在5-20套房最佳

参考资料

airbnb公开数据集：http://insideairbnb.com/get-the-data/

pandas 数据类型转换：https://www.cnblogs.com/onemorepoint/p/9404753.html

python使用wordcloud分词及中文乱码解决：https://codeantenna.com/a/NGWPdoIvgK

ValueError: Number of rows must be a positive integer, not GridSpec...：https://stackoverflow.com/questions/63122387/valueerror-number-of-rows-must-be-a-positive-integer-not-gridspec2-1-height

中文常用停用词表：https://github.com/goto456/stopwords

README.md

Airbnb公开数据集-北京市数据分析

作业内容

分析目的

数据集下载

数据集初探

数据预处理

数据分析

连续性字段

民宿分布

房东统计

民宿分布位置

民宿分布比例可视化

分析价格情况

价格初探

清除异常数据

各区域价格统计

民宿受欢迎关键词分析

找出受欢迎的民宿数据

关键词提取

数据可视化

总结

参考资料