Plotly+Seaborn+Folium可视化探索爱彼迎租房数据

公众号：尤而小屋
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

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：

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

# 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

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

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：

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。

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

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

1. 房价分布更为宽广
2. 房价的均值也高于其他位置
3. 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：

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

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：

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

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

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：

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：

# 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：

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：

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？

# 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：

# 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

# 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：

df.drop(["name","id","host_name"],inplace=True,axis=1)

编码类型的转化：

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

# 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

title=['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）

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