数据分析项目-Airbnb业务数据分析

目录

第一部：导包和数据导入

1.数据清洗：

1.1年龄清洗

1.2类别型变量（日期）的调整

计算用户注册到2019年的时间

计算用户第一次预定到2019年的时间

1.3将性别型变量转化成哑变量（gender）

1.4删除2个日期变量，可以根据数据类型来进行drop

2.建立模型

3.模型评估与优化 

---

本例中将使用Airbnb的数据。Airbnb是一个旅行服务短期租赁的社区，它拥有广泛的用户出行场景数据，通过这些数据，锁定潜在的目标客群并制定相应的营销策略是Airbnb业务发展的基石。

第一部：导包和数据导入

#调包
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
%matplotlib inline

#数据导入
airbnb=pd.read_csv('w3_airbnb.csv')
airbnb.head()

字典数据及解释：

• id：唯一的用户id
• date_account_created：用户创建时间
• date_first_booking：第一次订房日期
• gender：性别
• Age：年龄
• Married：已婚
• Children：小孩数量
• Android：曾在安卓App中预定
• Moweb：曾在手机移动网页中预定
• web：曾在电脑网页版预定
• ios：曾在iso app预定
• Language_EN：使用英文语言
• Language_ZH：使用中文语言
• Country_US：目的地是美国
• Country_EUR：目的地是欧洲国家

导入数据后，我们可以看到，数据中有两个日期，一个是用户注册日期，一个是订房日期，然后还有用户个人信息，渠道信息和基本的网页使用信息。这三类基本信息的分析即可以帮助我们分析人群的基本特征。

本案例中，我们依然遵循数据分析的基本流程，如下所示：

在使用info()和describe()函数查看数据之后，我们发现值得注意的点：

• date_account_created和date_first_booking是时间变量，需要做调整
• gender是字符型变量，同样需要调整
• 我们数据中的gender包括F(Female)和M(Male),在很多时候，网站为了尊重客户隐私，还会出现U，就是unknown

1.数据清洗：

1.1年龄清洗

 发现年龄最小为2，最大为2014，属于异常数据，进行数据清洗，这里保留用户年龄在18-80岁之间的群体。

airbnb=airbnb[airbnb['age']>=18]
airbnb=airbnb[airbnb['age']<=80]

 

1.2类别型变量（日期）的调整

计算用户注册到2019年的时间

第一步：将注册日期转变成日期时间格式

airbnb['date_account_created']=pd.to_datetime(airbnb['date_account_created'])

第二步：将年份从中提取出来，将2019-注册日期的年份，并生成一个新的变量year_since_account_created

airbnb['year_since_account_created']=airbnb['date_account_created'].apply(lambda x:2019-x.year)

airbnb.year_since_account_created.describe()

发现注册时间最短的是5年，最长的是9年。

计算用户第一次预定到2019年的时间

第一步：将用户第一次预定时间转变成日期时间格式

airbnb['date_first_booking']=pd.to_datetime(airbnb['date_first_booking'])

第二步：将年份从中提取出来，将2019-第一次预定的年份，并生成一个新的变量 year_since_first_booking

airbnb['year_since_first_booking']=airbnb['date_first_booking'].apply(lambda x:2019-x.year)

发现距离第一次预定时间最短的是4年，最长的是9年。 

1.3将性别型变量转化成哑变量（gender）

airbnb=pd.get_dummies(airbnb)

1.4删除2个日期变量，可以根据数据类型来进行drop

airbnb.drop(airbnb.select_dtypes(['datetime64']),inplace=True,axis=1)

已经没有日期的两列数了 。

2.建立模型

选择5个变量，作为分群的维度

airbnb_5=airbnb[['age','web','moweb','ios','android']]

数据标准化，使用sklearn中预处理的scale 

from sklearn.preprocessing import scale
x=pd.DataFrame(scale(airbnb_5))

建立模型

使用cluster建模

from sklearn import cluster

 先尝试分为3段

model=cluster.KMeans(n_clusters=3,random_state=10)
model.fit(x)

 提取标签，查看分类结果

airbnb_5['cluster']=model.labels_

 

 绘制散点图，查看分群结果

横坐标为age(年龄),纵坐标为ios(是否使用ios客户端)，类别为分类

sns.scatterplot(x='age',y='ios',hue='cluster',data=airbnb_5)

3.模型评估与优化 

使用groupby函数，评估各个变量维度的分群效果

airbnb_5.groupby(['cluster'])['age'].describe()

 

airbnb_5.groupby(['cluster'])['ios'].describe()

 

 使用silhouette score评估模型效果

from sklearn import metrics#调用sklearn的metrics库
x_cluster=model.fit_predict(x)#个体与群的距离
score=metrics.silhouette_score(x,x_cluster)#评分越高，个体与群越近；评分越低，个体与群越远

centers=pd.DataFrame(model.cluster_centers_)
centers.to_csv('center_3.csv')

将群体分成5组

model=cluster.KMeans(n_clusters=5,random_state=10)
model.fit(x)

centers=pd.DataFrame(model.cluster_centers_)

centers.to_csv('center_5.csv')

导出结果到csv

1.理解行和列

行：每一行是系统认为的群组，即0群，1群，2群；

列：重点关注每一列的数据，标注出绝对值较大的数字，如果人群在某个特征变量上数据的绝对值较大，就说明这个群在这个特征上有较明显的区分度

2.结合业务，解读每个群组的特征

例如：下图中0群大多通过H5页面下单，不适用App；2群可能是果粉，是ios重度用户，不怎么使用web