数据可视化。作者的照片
在本文中，我们将讨论酒店预订数据集的探索性数据分析和数据可视化。在这个项目中，我们需要找到酒店的平均费用，并探索数据。
数据集包含诸如酒店、is_canceled、lead_time 等列名。列信息如下所示:
**1\. hotel:** type of hotels
**2.** **is_canceled:** canceled or not **3\. lead_time:** no. of days before actual arrival in the hotel **4\. arrival_date_year:** year of booking **5\. arrival_date_month:** month of booking **6\. arrival_date_week_number:** week number of the year in which
booking **7.arrival_date_day_of_month:** arrival month date **8\. stays_in_weekend_nights:** no. of weekends guest stayed **9\. stays_in_week_nights:** no. of weekdays guest stayed **10\. adults
11\. children
12\. babies
13\. meal:** BB – Bed & Breakfast
HB – only two meals including breakfast meal
FB – breakfast, lunch, and dinner
**14\. country
15\. market_segment:** TA: Travel agents
TO: Tour operators **16\. distribution_channel
17\. is_repeated_guest
18\. previous_cancellations:** cancellation in past **19\. previous_bookings_not_canceled:** not cancelled in past **20\. reserved_room_type
21\. assigned_room_type
22\. booking_changes
23\. deposit_type
24\. agent
25\. company
26\. days_in_waiting_list
27\. customer_type
28\. adr:** average daily rate **29\. required_car_parking_spaces
30\. total_of_special_requests
31\. reservation_status
32\. reservation_status_date**
pub.towardsai.net](/machine-learning-16c8ccc2c7b8)
让我们用 python 来探索数据。
导入项目中需要的库。
import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
import plotly
import plotly.express as px
借助熊猫 read_csv 方法读取和查看酒店预订需求的数据。
df=pd.read_csv('hotel_bookings.csv')
df.head()
作者的照片
检查训练数据集中数据类型的数量:
df.dtypes.value_counts()
我们看到有 4 个 float64 列、16 个 int64 列和 12 个 object 列。我们必须根据数据找到酒店预订需求。首先，我们需要找到人们预订较多的酒店类型。
df1 = df.copy()
df1['hotel'].value_counts()#output:
City Hotel 79330
Resort Hotel 40060
Name: hotel, dtype: int64
人们预订城市酒店多于度假酒店。现在我们想知道人们在哪个月预订酒店。
df1['arrival_date_month'].value_counts()#output:
August 13877
July 12661
May 11791
October 11160
April 11089
June 10939
September 10508
March 9794
February 8068
November 6794
December 6780
January 5929
Name: arrival_date_month, dtype: int64
用 seaborn library 绘制酒店类型的月份。
plt.figure(figsize=(12,4))
sns.countplot(x='arrival_date_month', hue = 'hotel', data= df1)
plt.title('Months of Arrival')
plt.show()
作者的照片
现在，找出酒店预订最多的年份。
df1['arrival_date_year'].value_counts()
用条形图绘制年份列。
plt.figure(figsize=(20,10))
df.arrival_date_year.value_counts(normalize=True).plot(kind="bar",
color='g')
plt.show()
作者的照片
现在，我们将计算数据中 nan 值的百分比。
# missing value against each columns.total_missing = df1.isnull().sum().sort_values(ascending=False)
total_missing_df = pd.DataFrame(total_missing)percentage_miss = (df1.isnull().sum()/df1.isnull().count()*100).sort_values
(ascending=False)missing_data = pd.concat([total_missing_df, percentage_miss],
axis=1, keys=['total_missing', 'percentage_missing'])#missing_datamissing_data_withoutnan = missing_data[missing_data > 0].dropna()missing_data_withoutnan
作者的照片
我们看到 company 列有最大数量的缺失数据。因此，我们可以删除该列，但在数据浏览中许多列是不需要的。也删除那些列。
#After reading the task file, there are some columns that not need in the master frame datadf1 = df1.drop(['company', 'agent', 'meal',
'arrival_date_week_number','arrival_date_day_of_month',
'is_repeated_guest', 'previous_cancellations',
'previous_bookings_not_canceled',
'assigned_room_type','reservation_status',
'reservation_status_date','days_in_waiting_list',
'booking_changes'], axis = 1)
我们可以绘制柱特征的直方图。
# a histogram plot for each numerical attribute
df1.hist(bins=50, figsize=(20,15))
plt.tight_layout()
plt.show()
作者的照片
pub.towardsai.net](/understand-time-series-components-with-python-4bc3e2ba1189) [## Python 中的数据预处理概念
pub.towardsai.net](/data-preprocessing-concepts-with-python-b93c63f14bb6)
我们也可以通过热图看到空值。
plt.figure(figsize=(20,6))
sns.heatmap(df1.isnull(),cmap='viridis')
作者的照片
让我们把取消栏和酒店栏核对一下，并计算出取消的百分比。
df1['is_canceled'].value_counts()/df1['hotel'].shape[0]*100#output:
0 62.958372
1 37.041628
Name: is_canceled, dtype: float64
城市酒店更多的是取消预订。现在，用条形图画出同样的图。
plt.figure(figsize=(12,4))
sns.countplot(x='is_canceled', hue = 'hotel', data= df1)
plt.title('Cancellation Situation')
plt.show()
现在，我们将找出预订酒店人数最多的前 10 个国家。
df1['country'].value_counts().head(10)#output:
PRT 48590
GBR 12129
FRA 10415
ESP 8568
DEU 7287
ITA 3766
IRL 3375
BEL 2342
BRA 2224
NLD 2104
Name: country, dtype: int64
制作仅包含前 10 个国家/地区的行的数据框。
#making data frame of top 10 countriestop10 =
df1[df1['country'].isin(["PRT","GBR","FRA","ESP","DEU","ITA","IRL",
"BEL","BRA","NLD"])]
绘制前 10 个国家的柱状图。
plt.figure(figsize=(12,4))
sns.countplot(x='country', hue = 'hotel', data= top10)
plt.title('People from top travelling countries')
plt.show()
作者的照片
来自前 10 个国家的人选择城市酒店而不是度假酒店。我们将制作国家位置图，包括国家的数量。
# show on maptemp = df['country'].value_counts().reset_index().rename(columns={'index':'country','country':'count'})guest_map = px.choropleth(temp,
locations=temp['country'],
color=np.log(temp['count']),
hover_name=temp['country'],
color_continuous_scale=px.colors.sequential.Plasma,
title="Home country of guests")guest_map.show()
现在，我们将计算酒店的平均费用。
# selecting all the rows without zero values
df1 = df1.loc[(df1.children != 0)|(df1.babies != 0)|(df1.adults != 0), :]# Average hotel fees per person
df1['adr_per_person'] = df1['adr']/(df1['adults'] + df1['children'])resort_mean = df1.loc[(df1.is_canceled == 0) & (df1.hotel == 'Resort
Hotel'), 'adr_per_person'].mean()city_mean = df1.loc[(df1.is_canceled == 0) & (df1.hotel == 'City
Hotel'), 'adr_per_person'].mean()print("The mean price of Resort hotel is
{:.2f}".format(resort_mean))print ("The mean price of city hotel is {:.2f}".format(city_mean))
度假酒店均价 47.49 。城市酒店均价 59.27。
在本文中，我们讨论了 EDA 的基本思想和数据科学项目中的可视化过程。
我希望你喜欢这篇文章。通过我的 LinkedIn 和 twitter 联系我。
1。NLP —零到英雄用 Python 2。 Python 数据结构数据类型和对象 3。Python 中的异常处理概念 4。用 Python 进行主成分分析降维 5。用 Python 全面讲解 K-means 聚类 6。用 Python 充分解释了线性回归 7。用 Python 充分解释了 Logistic 回归 8。concat()、merge()和 join()与 Python 9 的区别。与 Python 的数据角力—第一部分10。机器学习中的混淆矩阵