酒店数据集退订分析与预测

主要内容：
本文将主要从以下几个方面分析：1、背景 2、提出问题 3、理解数据 4、数据清洗 5、可视化分析 6、退订率预测 7、结论和建议

1、背景

酒店集数据中包括了两家酒店(城市&度假)在20150701-20170831期间的预订数据，主要包括预订时间，停留时间，成人/儿童/婴儿的数量以及餐食类型和可用停车位数量等信息‘
退订率高会对酒店造成损失，本文主要根据数据集内容，分析各类数据对退订率的影响并进行预测，从数据分析的结论给出相关建议

2、提出问题

（1）分析两家酒店总体退订率情况；
（2）从整体情况看，退订的用户普遍具有哪些特征；
（3）尝试找到合适的模型预测退订用户；
（4）针对性给出预防用户取消预订的建议；

3、理解数据

根据介绍，该数据集有32个字段，共119390条数据，每条记录包含了每个订单的基本信息，我们的目的就是发现其他特征和is_canceled之间的关系

3.1数据清洗

- 数据观察

导入数据集文件

import pandas as pd 
import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = [u'SimHei']
plt.rcParams['axes.unicode_minus'] = False
from datetime import datetime
data_path=r'hotel_bookings.csv'
data=pd.read_csv(data_path)

查看数据集信息，查看数据集大小，并初步观察前10条的数据内容。

#数据清洗
#查看数据集大小
# 查看数据集大小
data.shape
# 运行结果：(119390, 32)

# 设置查看列不省略
pd.set_option('display.max_columns',None)

# 查看前10条数据
data.head(10)

- 缺失值处理
查看数据是否存在Null，

# Null计数
data.isnull().sum().sort_values(ascending=False)

out:
company                           112593
agent                              16340
country                              488
children                               4
lead_time                              0
arrival_date_year                      0
arrival_date_month                     0
arrival_date_week_number               0
is_canceled                            0
market_segment                         0
arrival_date_day_of_month              0
stays_in_weekend_nights                0
stays_in_week_nights                   0
adults                                 0
babies                                 0
meal                                   0
reservation_status_date                0
distribution_channel                   0
reservation_status                     0
is_repeated_guest                      0
previous_cancellations                 0
previous_bookings_not_canceled         0
reserved_room_type                     0
assigned_room_type                     0
booking_changes                        0
deposit_type                           0
days_in_waiting_list                   0
customer_type                          0
adr                                    0
required_car_parking_spaces            0
total_of_special_requests              0
hotel                                  0
dtype: int64

children,country,agent,company均有空值
children 为空值推测为无children，使用0填充
country 列使用众数填充
agent 无旅行社id标识，推测为个人客户，使用0填充
company 列缺失值较多，且对结果分析产生影响不大，进行删除

#缺失值处理
df = data.copy()
df.drop(['company'],axis=1,inplace=True)
df['children'].fillna(0,inplace=True)
df['agent'].fillna(0,inplace=True)
df['country'].fillna(value=df['country'].mode()[0],inplace=True)

• 验证数据合法性，去除异常值

# 查看每一列数据取值
for x in data.columns:  #遍历数据集中所有的列
    test=data.loc[:,x].value_counts()
    print('{0} 的行数是：{1}'.format(x,test.sum()))
    print('{0} 的数据类型是：{1}'.format(x,data[x].dtypes))
    print('{0} 的内容是：\n{1}\n'.format(x,test))

df.describe()

从以上代码输出的数据，可以做出如下处理：
（1）删除总人数和总入住天数为0的异常数据
（2）删除预订总天数为0的异常数据(即’stays_in_weekend_nights’+‘stays_in_week_nights’)

#删除总人数和总入住天数为0的异常数据
df.reset_index()
zero_people=df[df[['adults', 'children', 'babies']].sum(axis=1)==0]
df.drop(zero_people.index,inplace=True)
zero_date=df[df[['stays_in_weekend_nights','stays_in_week_nights']].sum(axis=1)==0]
df.drop(zero_date.index,inplace=True)

• 数据去重
  保证数据唯一性，因为酒店类数据可能会出现不同数据库导出重复数据的现象，这里数据由30+列数据组成，完全相同的概率较小，故而针对完全相同的列进行去重

df.drop_duplicates(inplace=True)
df.info()

out:
<class 'pandas.core.frame.DataFrame'>
Int64Index: 86719 entries, 2 to 119389
Data columns (total 31 columns):
 #   Column                          Non-Null Count  Dtype  
---  ------                          --------------  -----  
 0   hotel                           86719 non-null  object 
 1   is_canceled                     86719 non-null  int64  
 2   lead_time                       86719 non-null  int64  
 3   arrival_date_year               86719 non-null  int64  
 4   arrival_date_month              86719 non-null  object 
 5   arrival_date_week_number        86719 non-null  int64  
 6   arrival_date_day_of_month       86719 non-null  int64  
 7   stays_in_weekend_nights         86719 non-null  int64  
 8   stays_in_week_nights            86719 non-null  int64  
 9   adults                          86719 non-null  int64  
 10  children                        86719 non-null  float64
 11  babies                          86719 non-null  int64  
 12  meal                            86719 non-null  object 
 13  country                         86719 non-null  object 
 14  market_segment                  86719 non-null  object 
 15  distribution_channel            86719 non-null  object 
 16  is_repeated_guest               86719 non-null  int64  
 17  previous_cancellations          86719 non-null  int64  
 18  previous_bookings_not_canceled  86719 non-null  int64  
 19  reserved_room_type              86719 non-null  object 
 20  assigned_room_type              86719 non-null  object 
 21  booking_changes                 86719 non-null  int64  
 22  deposit_type                    86719 non-null  object 
 23  agent                           86719 non-null  float64
 24  days_in_waiting_list            86719 non-null  int64  
 25  customer_type                   86719 non-null  object 
 26  adr                             86719 non-null  float64
 27  required_car_parking_spaces     86719 non-null  int64  
 28  total_of_special_requests       86719 non-null  int64  
 29  reservation_status              86719 non-null  object 
 30  reservation_status_date         86719 non-null  object 
dtypes: float64(3), int64(16), object(12)

还剩下86719行数据，所有字段的数据类型均符合实际含义，数据清洗工作完成

4、可视化分析

4.1 两家酒店总体退订率情况

• 整体取消预订比例

#整体取消预订比例
df['is_canceled']=df['is_canceled'].astype('str').replace(['0','1'],['no','yes'])
plt.rcParams['figure.figsize']=6,6
plt.pie(df['is_canceled'].value_counts(),labels=df['is_canceled'].value_counts().index,autopct='%1.2f%%',explode=(0.1,0)) #每一块饼图距离中心的距离，默认值(0,0)就是不离开中心，explode = (0,0,0.1,0) 表示将第三块分离出来，而这里就表示将第一块分离出来
plt.title('is_canceled(Yes/No) Ratio')
plt.show()

不分酒店类型情况下，整体取消比例为27.69%，接下来我们比较看下城市和度假酒店两者退订率是否有明显差异

#city类型酒店取消预订比例
fig= p