大数据预处理--评分情况

通过对review_scores_rating评分字段进行分布图绘制，可以查看价格的分布区间范围

#设置画布大小尺寸
plt.figure(figsize=(12,6))
#绘制分布图
sns.distplot(listings.review_scores_rating.dropna(), rug=True)
#取消右侧和上侧坐标轴
sns.despine()

　　输出结果如下：（此处的评分标准为0-100分制，通过上述表格可以看出总体来看爱彼迎的房屋好评率非常高）

 

 

 

3.6 房源价格情况

前面探究了房源价格和星期之间的关联，但是房价字段自身的信息并没有探究，可以使用describe查看价格的情况

listings['price'] = listings['price'].str.replace(',', '')
listings['price'] = listings['price'].str.replace('$', '')
listings['price'] = listings['price'].astype(float)

listings['price'].describe()

　　

输出结果如下：（多伦多最昂贵的Airbnb房源价格为$ 12933 /晚（当时的价钱，现在的价钱是$ 64818 /晚），以下是房屋的链接：https://www.airbnb.ca/rooms/16039481?locale=en。通过链接可以发现之所以比平均价贵出约100倍，主要是因为这处房屋是多伦多最时尚的社区中的艺术收藏家阁楼。这些艺术收藏的价值大幅的拉高了这处房源的价格，使其和平均值有100倍的差距）

 

 

 如果需要查看一下最大值或者最小值对应的记录，可以使用argmax或者argmin如下代码

listings.iloc[np.argmax(listings['price'])]

　　输出结果如下：（通过name信息可以核实，这份房源就是属于Art Collector艺术收藏品 ）

 

 

 

由于在数据分析中，我们需要服从正态分布的原则，对于这样极端情况的存在，我们需要进行清理，所以把异常的价格的数据进行过滤，最终选择的价钱是保留0-600之间的数据。具体要选取某一数值，需要看一下当前数值以上对应的房源信息数量占全体的比重，这里选取大于600以上的房源仅有200+套，占总比1w+的比例很小，而且房源免费的只有7套

 

 

plt.figure(figsize=(18,10))
sort_price = listings.loc[(listings.price <= 600) & (listings.price > 0)]\
                    .groupby('neighbourhood_cleansed')['price']\
                    .median()\
                    .sort_values(ascending=False)\
                    .index
sns.boxplot(y='price', x='neighbourhood_cleansed', data=listings.loc[(listings.price <= 600) & (listings.price > 0)], 
            order=sort_price)
ax = plt.gca()

ax.set_xticklabels(ax.get_xticklabels(), rotation=45, ha='right')
plt.show()

　　

 掉极端值后我们继续观察现在的价格分布状态，绘制直方图

plt.figure(figsize=(12,6))
listings.loc[(listings.price <= 600) & (listings.price > 0)].price.hist(bins=200)
plt.ylabel('Count')
plt.xlabel('Listing price')
plt.title('Histogram of listing prices')

　　输出结果如下：（分箱数量bins可以自由指定，可以看出价格主要是在30-200之间）

 

 

 

3.7 不同社区与房源价格的关系

前面探究了不同社区和房源数量之间的关系，这里可以进一步探究不同社区和房源价钱之间的关系

输出结果如下：（最好的社区不仅房源的最高价高，而且平均价格也是所有社区中最高的，很有代表性）

 

sns.boxplot(y='price', x='host_is_superhost', data=listings.loc[(listings.price <= 600) & (listings.price > 0)])
plt.show()

　　

 

3.8 品质房和普通房

在预定酒店时，浏览页面中常常会推出品质房源和普通房源，在这份数据集中也是存在字段记录这方面的信息，可以对比研究一下两者的价钱情况

 

sns.boxplot(y='price', x='host_is_superhost', data=listings.loc[(listings.price <= 600) & (listings.price > 0)])
plt.show()

　　

3.8 配套设施和房价的关系

酒店中的软装特性和多少也是和房源的价钱有着密切的关系，可以依循探究不同社区的房源价格的方式进行分析，代码基本上进行字段的修改就可以

plt.figure(figsize=(18,10))
sort_price = listings.loc[(listings.price <= 600) & (listings.price > 0)]\
                    .groupby('property_type')['price']\
                    .median()\
                    .sort_values(ascending=False)\
                    .index
sns.boxplot(y='price', x='property_type', data=listings.loc[(listings.price <= 600) & (listings.price > 0)], order=sort_price)
ax = plt.gca()
ax.set_xticklabels(ax.get_xticklabels(), rotation=45, ha='right')
plt.show()

　　

 

输出结果如下：（在今后绘制此类图形时候，代码可以直接复制后修改对应的字段和限制的范围即可。从这个图中可以看到在数据处理时，如果对于极端值不进行处理，则会显示出这样怪异的情况，例如Aparthotel 公寓式酒店 这个关键词的价格最高，但是通过boxplot我们又可以看出，其实只有一套这样的房产，所以数据并不完整。tend（帐篷）和parking space （停车位）这样的关键词也是数量很少的，导致了数据结果显示不准确）