项目介绍
项目来源：天池大数据平台
项目思路：针对airbnb中listings表做数据处理，探索分析以及针对经纬度以及价格做地理价格图（pyecharts）
python：3.7.1
pyecharts：1.2.0
天池平台的这个比赛比较常见，本文给出了地理可视化的新思路
(想看图的直接拉到3/4就可）
模块导入
分析思路
#数据处理包导入
import pandas as pd
import numpy as np
from scipy import stats
#画图包导入
import matplotlib.pyplot as plt
import seaborn as sns
#日期处理包导入
import calendar
from datetime import datetime
#jupyter notebook绘图设置
%matplotlib inline
#中文字体正确显示
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False
#警告删除
import warnings
warnings.simplefilter(action="ignore", category=FutureWarning)
warnings.filterwarnings('ignore')
#多行输出
from IPython.core.interactiveshell import InteractiveShell
InteractiveShell.ast_node_interactivity = "all"
# 显示正负号与中文不显示问题
plt.rcParams['axes.unicode_minus'] = False
sns.set_style('darkgrid', {'font.sans-serif':['SimHei', 'Arial']})
数据处理
导入数据
listings = pd.read_csv('listings.csv',parse_dates=['last_review'],dtype={'id':str,'host_id':str})# keep_default_na=False将空值设置为不显示方便之后处理
处理
listings.info()
- 观察发现listings表有几个问题：
- neighbourhood_group列存在很多空值，查看统计信息
- neighbourhood列有中文有英文，仅保留neighbourhood列中文部分
- 查看经纬度，价格，最小入住天数，365天，房东拥有房屋数中是否有异常值
- 查看房屋类型有多少种
- 查看评论数前10的id
- 查看每月评论数前十的id
- name,last_review和reviews_per_month中都存在空值，不过影响不大，name是因为没有命名标准，last_review为空值有可能说明没有评论过，没有last_review也就没有reviews_per_month
listings.head()
name虽然杂乱有中英文有英文但是不重要不需要处理，host_name中有错乱的数据比如East
Apartments也不重要也不需要怎么处理，neighbourhood_group全为空值可以删除这列，neighbourhood可以截取为全中文列
listings.drop(['neighbourhood_group'],axis=1,inplace=True)
listings['neighbourhood'] = listings['neighbourhood'].str.split('/',expand=True)[0]
listings.sample(3)
#通过观察，last_review，reviews_per_month和reviews_per_month的空值是一致的
listings[listings['last_review'].isnull()]['number_of_reviews'].sum()
listings[listings['last_review'].isnull()]['reviews_per_month'].sum()
发现结果都是0
说明这些可能都是未评论房屋，将这些数据的reviews_per_month用0代替
listings.reviews_per_month.fillna(0,inplace=True)
listings[(listings['number_of_reviews']==0)].head()
listings.describe()
探索性处理
price,minimum_nights,number_of_reviews和calculated_host_listings_count等有异常值
首先看price
#通过直方图直观看出大部分价格在10000以内
listings.price.hist()
#缩小范围后再次查看直方图
listings_price1000 = listings.loc[listings['price']<1000]
listings_price1000.price.hist()
发现大部分房屋价格在200到700之间一晚，1000以上的异常值可能较多，比较符合常理，因为airbnb本来的品牌理念就是实现空闲房屋的共享使用，大部分提供的房屋都是普通型，价格过高的不会太多
#异常值查看
listings.loc[listings['price']==68983]
#异常值查看
listings.loc[listings['price']==0]
结论是：
- 价格大部分分布在200-700
- 异常值类别较多，且异常值和高价房屋不好判断
- 异常值占比非常少
区域化分析
#区域房屋数量
listings['neighbourhood'].value_counts()
fig = plt.figure(figsize=(12,4))
sns.barplot(listings['neighbourhood'].value_counts().index,listings['neighbourhood'].value_counts().values,data = listings)
plt.title('区域房屋数量直方图',fontsize=20)
价格分析
#全北京房屋平均每晚房价是多少
listings.price.mean() #所有房屋
listings_price1000.price.mean() #价格小于1000的房屋
611.2033248980739
381.6178138595401
地理位置分析
安装与导入地图包
pip install echarts-countries-pypkg -i https://mirrors.aliyun.com/pypi/simple# 全球国家地图
pip install echarts-cities-pypkg -i https://mirrors.aliyun.com/pypi/simple# 全球城市地图
pip install echarts-china-provinces-pypkg -i https://mirrors.aliyun.com/pypi/simple# 中国省级地图
pip install echarts-china-cities-pypkg -i https://mirrors.aliyun.com/pypi/simple# 中国市级地图
pip install echarts-china-misc-pypkg -i https://mirrors.aliyun.com/pypi/simple # 中国区域地图
pip install echarts-united-kingdom-pypkg -i https://mirrors.aliyun.com/pypi/simple # 英国选区图可以用来画与政治经济相关的数据
数据预处理
data = pd.DataFrame(listings,columns=['id','price'])
data.head()
data_pair = []
for i in range(len(listings)):
data_pair.append((data.iloc[i][0],int(data.iloc[i][1]))) #pyecharts是不支持numpy.int的
#导入地图库
from pyecharts.charts import Geo
from pyecharts import options as opts
from pyecharts.globals import GeoType
def test_geo():
city = '北京'
g = Geo()
g.add_schema(maptype=city)
# 定义坐标对应的名称，添加到坐标库中 add_coordinate(name, lng, lat)
for i in range(len(data_pair)):
g.add_coordinate(listings['id'][i],listings['longitude'][i],listings['latitude'][i])
# 定义数据对
g.add('', data_pair, type_=GeoType.EFFECT_SCATTER, symbol_size=5)
# 设置样式
g.set_series_opts(label_opts=opts.LabelOpts(is_show=False))
# 自定义分段 color 可以用取色器取色
pieces = [
{'max': 100, 'label': '100以下', 'color': '#50A3BA'},
{'min': 101, 'max': 200, 'label': '100-200', 'color': '#3700A4'},
{'min': 201, 'max': 300, 'label': '201-300', 'color': '#81AE9F'},
{'min': 301, 'max': 400, 'label': '301-400', 'color': '#E2C568'},
{'min': 401, 'max': 500, 'label': '401-500', 'color': '#FCF84D'},
{'min': 501, 'max': 600, 'label': '501-600', 'color': '#DD0200'},
{'min': 601, 'max': 700, 'label': '601-700', 'color': '#DD675E'},
{'min': 701, 'label': '701以上', 'color': '#D94E5D'} # 有下限无上限
]
# is_piecewise 是否自定义分段， 变为true 才能生效
g.set_global_opts(
visualmap_opts=opts.VisualMapOpts(is_piecewise=True, pieces=pieces),
title_opts=opts.TitleOpts(title="{}-区域房屋以及价格分布".format(city)),
)
return g
g = test_geo()
g.render('test_render3.html')
- 房源大部分还是密集分布在海淀，朝阳，西城，东城，石景山，丰台区，其他区以靠拢这几个区为主要房源分布地
- 价格方面，越是密集的地方分布越是均匀，但是延庆怀柔昌平房山等相对来说经济不怎么发达的区域反而价格较高，可能是因为轰趴别墅野营农家乐的兴起，所以一些可供多人居住的"豪宅"数量增多
根据区域的不同类型查看价格分布以及数量分布
全价格分析
listings_gbneigh=listings.groupby(by='neighbourhood')
listings_gbneigh.price.mean().sort_values(ascending=False)
fig = plt.figure(figsize=(12,6))
sns.barplot(x=listings.neighbourhood,y=listings.price,data=listings,order=listings_gbneigh.price.mean().sort_values(ascending=False).index)
1000以内价格分析
listings_gbneigh1000=listings_price1000.groupby(by='neighbourhood')
listings_gbneigh1000.price.mean().sort_values(ascending=False)
fig = plt.figure(figsize=(12,6))
sns.barplot(x=listings_price1000.neighbourhood,y=listings_price1000.price,data=listings_price1000,order=listings_gbneigh1000.price.mean().sort_values(ascending=False).index)
- 和之前的结论相似，以轰趴别墅为主的郊区房屋每晚价格较高
根据房屋的不同类型查看价格分布以及数量分布
fig,axes = plt.subplots(1,3,figsize=(12,3))
sns.distplot(listings_price1000[listings_price1000.room_type=='Entire home/apt'].price,ax=axes[0],axlabel='Entire home/apt')
sns.distplot(listings_price1000[listings_price1000.room_type=='Private room'].price,ax=axes[1],axlabel='Private room',color='r')
sns.distplot(listings_price1000[listings_price1000.room_type=='Shared room'].price,ax=axes[2],axlabel='Shared room',color='green')
- 整套房屋的价格数量分布比较平均，既有平价房也有高价房，且高价房占比不是很低，大部分房屋价格在250-550左右，
- 而独立房间的价格相对来说较便宜一些，这可能是因为使用率较高的原因，价格大多在150-300之间
- 而合住房间的价格是三者最平价的，以多人民宿，青年旅舍之类的共享房屋为主，大部分只是一个床铺的价格，价格大多在50-150之间
查看房源数量和房东人数的关系
#以host_id分组
df1=listings.groupby('host_id').count()['id'].to_frame() #以host_id分组，并计算每位房东的房屋数，转换为DT
df1['host_id'] = df1.index #将index转换为列
df1.reset_index(drop=True,inplace=True)
df1.rename(columns={'id':'room_num'},inplace=True)
df1 = pd.DataFrame(df1,columns=['host_id','room_num'])
print('以host_id分组：')
df1.head()
df1.room_num.max() #查看拥有最多房屋的房东的房屋数
以host_id分组：
#以room_num分组
df2=df1.groupby('room_num').count()['host_id'].to_frame() #以room_num分组，并计算拥有固定房屋数的房东数有多少，转换为DT
df2['room_num']=df2.index
df2.reset_index(drop=True,inplace=True)
df2=pd.DataFrame(df2,columns=['room_num','host_id'])
df2.rename(columns={'host_id':'host_num'},inplace=True)
print('以room_num分组：')
df2.head()
df2 = df2.sort_values(by='room_num',ascending=False)
df2.reset_index(drop=True,inplace=True)
df2['room_num_all']=df2['room_num']*df2['host_num']
df2['room_percentage'] = df2['room_num_all'].cumsum()/df2['room_num_all'].sum()*100
df2['host_percentage'] = df2['host_num'].cumsum()/df2['host_num'].sum()*100
df2.tail()
fig = plt.figure(figsize=(8,8))
ax = sns.lineplot(df2.host_percentage,df2.room_percentage)
ax.axvline(x=20,ls="--",c="green")#添加垂直直线
ax.axhline(y=60,ls="--",c="green")#添加垂直直线
ax.set_title(label='房东与房屋数量关系',fontsize=20)
数据分析刚入门，各位巨佬手下留情
浙公网安备 33010602011771号