纽约poi数据集_2019年 Airbnb 纽约订单数据集 EDA

数据集来源

数据来源于 Kaggle ，以下为链接

2019年Airbnb纽约订单数据集

数据集简介

从2008年起人们就开始使用Airbnb（爱彼迎）来探索独一无二而又个性化的旅途可能。这个数据集就是描述2019年Airbnb在纽约的订单活动与数据指标。

数据分析思路

由于数据集中的“calculated_host_listings_count”可列为目标变量，以其他变量为自变量进行数据建模、机器学习对每个host 的 list 次数进行预测。

EDA部分，可以观察:

• Category Features 的计数情况
• 不同 Number Features 在不同 Category Features 中的分布情况
• Number Features 之间的相互关系等

数据分析

导入、观察数据集

import datetime
import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt

%matplotlib inline

path = ('AB_NYC_2019.csv')
airbnb = pd.read_csv(path)
airbnb.head()

airbnb.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 48895 entries, 0 to 48894
Data columns (total 16 columns):
id                                48895 non-null int64
name                              48879 non-null object
host_id                           48895 non-null int64
host_name                         48874 non-null object
neighbourhood_group               48895 non-null object
neighbourhood                     48895 non-null object
latitude                          48895 non-null float64
longitude                         48895 non-null float64
room_type                         48895 non-null object
price                             48895 non-null int64
minimum_nights                    48895 non-null int64
number_of_reviews                 48895 non-null int64
last_review                       38843 non-null object
reviews_per_month                 38843 non-null float64
calculated_host_listings_count    48895 non-null int64
availability_365                  48895 non-null int64
dtypes: float64(3), int64(7), object(6)
memory usage: 6.0+ MB

我们可以看到，整个数据集是以host为统计维度，记录每一次host进行租住时的信息。 字段大体可以分数值型与类别型。Airbnb数据集共包含16个字段，10个数值型与6个类别型。现在我们简单进行分类：

数值型：

• id
• host_id
• latitude
• longitude
• price
• minimum_nights
• number_of_reviews - reviews_per_month
• calculated_host_listings_count - availability_365

类别型：

• name
• host_name
• neighbourhood_group
• neighbourhood
• room_type
• last_review

pd.DataFrame(airbnb.isnull().sum(), columns = ['Count Null'])

清洗数据集

数据集中，'last_review'和源自'last_review'的计算字段'reviews_per_month'有较多缺失值，考虑到字段含义，'reviews_per_month'空值可以填充为0。'last_review'可以转换为"距19/12/31的时段长度"，空缺值可以设置为100000天（异常值）。

由于字段'id'、'host_id'、'host_name'属于独立随机变量，可以清洗掉。

def to_today(date1):
    date2= datetime.datetime.strptime('2019-12-31',"%Y-%m-