Python数据分析 I 全国旅游景点分析案例，哪里好玩一目了然

由于数据的不完整，所以这里主要从“钱花得最少，去的景点评分最高”这样的角度来判断“值不值”。

“值不值”的恒定标准为:

代数 意义

PS：这里本应该每个值附上自己的权重，由于时间关系，我仅将他们（0,1）规格化了，这样就是1:1:1:1的关系，以后有时间在调整其权重问题。

再由Score值来分类：

代码实现

---

先从全国景点数据中，找到五个例子城市的景点数据。

(方法五个都一样，这里只展示以张家界为例）

def find_zhangjiajie(i):

if ‘张家界’ in i:

return True

else:

return False

zhangjiajie_scenic = China_scenic_charge[China_scenic_charge[‘spot-info1’].apply(find_zhangjiajie)].reset_index().drop(columns=‘index’)

导出后画图如下

接下来是获取出行数据，由于机票价格波动太大，并且某些城市还没有普火，这里主要是取平均值，zhangjiajie_traffic数据大概这个样子

现在，对于张家界的景点、出行、酒店数据已经准备完毕

左右拼接在一起，创建随机数据集 zhangjiajie_travel：

def price_02(i):

i = (i - zhangjiajie_travel[‘价格’].min()) / (zhangjiajie_travel[‘价格’].max() - zhangjiajie_travel[‘价格’].min())

return i

def comment_02(i):

i = (i - zhangjiajie_travel[‘spot-comment’].min()) / (

zhangjiajie_travel[‘spot-comment’].max() - zhangjiajie_travel[‘spot-comment’].min())

return i

def hotel_02(i):

i = (i - zhangjiajie_travel[‘poi-price’].min()) / (

zhangjiajie_travel[‘poi-price’].max() - zhangjiajie_travel[‘poi-price’].min())

return i

def traffic_02(i):

i = (i - zhangjiajie_travel[‘出行价格’].min()) / (zhangjiajie_travel[‘出行价格’].max() - zhangjiajie_travel[‘出行价格’].min())

return i

每个表随机采样一万行

zhangjiajie_scenic_test = zhangjiajie_scenic.sample(n=10000, axis=0, random_state=1, replace=True).reset_index().drop(

columns=‘index’)

zhangjiajie_hotel_test = zhangjiajie_hotel.sample(n=10000, axis=0, random_state=1, replace=True).reset_index().drop(

columns=‘index’)

zhangjiajie_traffic_test = zhangjiajie_traffic.sample(n=10000, axis=0, random_state=1, replace=True).reset_index().drop(

columns=‘index’)

合在一起成为张家界的“假旅游数据集”

zhangjiajie_travel = pd.concat([zhangjiajie_scenic_test, zhangjiajie_hotel_test, zhangjiajie_traffic_test],

sort=False, axis=1).drop(columns=‘Unnamed: 0’)

重点：把五个城市的测试数据集建立完毕后，上下拼接在一起成为总的数据集（五万条），再将Score值算出，并对其打上标签

import pandas as pd

import numpy as np

def Score_change(i):

if i <= np.percentile(lfw_Happy_travel[‘Score’], (25)):

return 0

elif i >= np.percentile(lfw_Happy_travel[‘Score’], (25)) and i <= np.percentile(lfw_Happy_travel[‘Score’], (50)):

return 1

elif i >= np.percentile(lfw_Happy_travel[‘Score’], (50)) and i <= np.percentile(lfw_Happy_travel[‘Score’], (75)):

return 2

elif i >= np.percentile(lfw_Happy_travel[‘Score’], (75)):

return 3

lfw_Happy_travel = pd.concat([changsha_travel,

zhangjiajie_travel,

suzhou_travel,

hangzhou_travel,

changzhou_travel],

axis=0, sort=False).dropna()

lfw_Happy_travel[‘Score’] = lfw_Happy_travel[‘spot-comment’] / (lfw_Happy_travel[‘价格’] * lfw_Happy_travel[‘poi-price’] * lfw_Happy_travel[‘出行价格’])

lfw_Happy_travel[‘Score’] = lfw_Happy_travel[‘Score’].apply(Score_change)

最后，利用SVM支持向量机来对整个数据集进行评分，以总花费和景点评分作为属性，Score值作为标签

from sklearn import model_selection

from sklearn import svm

lfw_Happy_travel_num = pd.DataFrame(

{‘景点评分’: lfw_Happy_travel[‘spot-comment’],

‘花费’: lfw_Happy_travel[‘cost’],

‘Score’: lfw_Happy_travel[‘Score’]

})

x = lfw_Happy_travel_num.iloc[:, 0:2].values.tolist()

y = lfw_Happy_travel_num.iloc[:, -1].tolist()

x_train, x_test, y_train, y_test = model_selection.train_test_split(x, y, random_state=1, test_size=0.3)

clf = svm.SVC(C=0.1, kernel=‘linear’, decision_function_shape=‘ovr’)

clf = svm.SVC(kernel=‘rbf’, gamma=0.1, decision_function_shape=‘ovo’, C=0.8)

clf.fit(x_train, y_train)

print(“SVM-输出训练集的准确率为：”, clf.score(x_train, y_train))

print(“SVM-输出测试集的准确率为：”, clf.score(x_test, y_test))

这里我选择的核函数为线性核和高斯核，还在调参研究哪个准确率更高…

总结

---

附上其他四个城市的景点图

其实去哪里玩得值不值还得看个人啦，喜欢去哪玩就去哪旅游，这里只是做一个数据分析来熟悉一下Pandas和sklearn的使用

自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上Python开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以添加V获取：vip1024c （备注Python）

学好 Python 不论是就业还是做副业赚钱都不错，但要学会 Python 还是要有一个学习规划。最后大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！

一、Python所有方向的学习路线

Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

二、学习软件

工欲善其事必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。

三、全套PDF电子书

书籍的好处就在于权威和体系健全，刚开始学习的时候你可以只看视频或者听某个人讲课，但等你学完之后，你觉得你掌握了，这时候建议还是得去看一下书籍，看权威技术书籍也是每个程序员必经之路。

四、入门学习视频

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。

五、实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

六、面试资料

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

一个人可以走的很快，但一群人才能走的更远。不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎扫码加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

完这一套面试资料相信大家都能找到满意的工作。

一个人可以走的很快，但一群人才能走的更远。不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎扫码加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
[外链图片转存中…(img-GhQFpTnd-1712434332944)]