SQL-Ex blog

В данном случае я проведу анализ набора данных по спросу на бронирование отелей и задам некоторые бизнес-вопросы. Сначала мы импортируем библиотеку с помощью следующего синтаксиса:

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

import seaborn as sns

import re

sns.set()

Затем импортируем набор данных, используемый для анализа:

df_hotels = pd.read_csv('https://raw.githubusercontent.com/rfordatascience/tidytuesday/master/data/2020/2020-02-11/hotels.csv')

В этом наборе данных нет столбца с уникальным идентификатором, так что мы для этого упражнения предположим, что каждая строка является уникальной, обеспечивая столбец id в качестве уникального идентификатора, используя следующий синтаксис:

df_hotels = df_hotels.reset_index().rename(columns={'index':'id'})

Теперь давайте начнем анализ данных с использованием Python.

Вопрос 1
Какой тип данных используется в наборе данных? Каково число и процентное отношение NULL-значений, а также число уникальных значений в наборе данных?

Решение 1
Мы можем проверить тип данных, число и процентное отношение NULL-значений, число уникальных значений, используя следующий синтаксис:

def check_values(df):

    data = []

    for col in df.columns:

        data.append([col, \

                     df[col].dtype, \

                     df[col].isna().sum(), \

                     round(100*(df[col].isna().sum()/len(df)),2), \

                     df[col].nunique()

                     ])

    return pd.DataFrame(columns=['dataFeatures', 'dataType', 'null', 'nullPct', 'unique'],data=data)



check_values(df_hotels)

Вопрос 2
Сколько посетителей отменили бронь, а сколько нет? И по этому количеству сделать вывод о доле каждого!

Ответ 2
Вот синтаксис для нахождения посетителей, кто отменил бронь. 0 означает, что посетитель не отменял бронь, а 1 означает отмену брони посетителем.

df_hotels.is_canceled.value_counts()

Видно, что 44224 посетителей отменили бронь. Соотношение тех, кто отменил бронь и кто не отменял, представлено ниже.

sns.countplot(data=df_hotels, x='is_canceled')

plt.title('Cancelled')

plt.show()

Процентное отношение тех, кто отменял бронь и кто не отменял:

df_hotels.is_canceled.value_counts(normalize=True)*100

Как видно, 37,04% посетителей отменило бронь.

Вопрос 3
A. Каково процентное отношение отмененной брони для "City Hotel"?
B. Каково процентное отношение отмененной брони для "Resort Hotels"?

Решение 3
Процентное отношение посетителей, кто отменил бронь в "City Hotel", составляет 41,72%, а для "Resort Hotels" этот процент составляет 27,76%, что можно увидеть в результатах ниже.

# Синтаксис для А

df_hotels[df_hotels.hotel=='City Hotel'].is_canceled.value_counts(normalize=True)

print("Percentage =",len(df_hotels[(df_hotels.hotel=='City Hotel')&(df_hotels.is_canceled==1)])  100 / len(df_hotels[(df_hotels.hotel=='City Hotel')]),"%")

# Синтаксис для В

df_hotels[df_hotels.hotel=='Resort Hotel'].is_canceled.value_counts(normalize=True)

print("Percentage =",len(df_hotels[(df_hotels.hotel=='Resort Hotel')&(df_hotels.is_canceled==1)])  100 / len(df_hotels[(df_hotels.hotel=='Resort Hotel')]),"%")

Вопрос 4
Выполнить фильтрацию таким образом, чтобы выводились данные для посетителей, которые не отменяли бронь, и сохранить результат в переменной df_checkout.

Решение 4
Ниже приведен синтаксис и результаты фильтрации для отображения только тех посетителей, которые не отменяли бронь.

df_hotels[df_hotels.is_canceled==0]

Затем сохраним результат в переменной df_checkout, используя следующий синтаксис:

df_checkout = df_hotels[df_hotels.is_canceled==0]

Вопрос 5
А. Вывести число бронирований на месяц прибытия для отелей каждого типа.
В. В каком месяце было наибольшее число бронирований по каждому типу отелей? Одинакова ли тенденция для обоих типов отелей?
С. Сделайте подобное пункту В, но с названием месяца, который бы отображался в номер месяца.

Решение 5
Число бронирований по месяцам для каждого типа отелей показано ниже.

summary_tiap_hotel = df_checkout.groupby(['hotel','arrival_date_month']).size().reset_index()

summary_tiap_hotel.columns = ['hotel','arrival_date_month','jumlah_reservasi']

summary_tiap_hotel

Наибольшее число бронирований для City Hotel и Resort Hotel наблюдается в августе. Эти данные можно увидеть ниже.

max_ch = summary_tiap_hotel[summary_tiap_hotel['hotel'] == 'City Hotel']['jumlah_reservasi'].max()

max_rh = summary_tiap_hotel[summary_tiap_hotel['hotel'] == 'Resort Hotel']['jumlah_reservasi'].max()



print('summary max reservasi City Hotel')

display(summary_tiap_hotel[summary_tiap_hotel['jumlah_reservasi'] == max_ch])



print('')

print('')



print('summary max reservasi Resort Hotel')

display(summary_tiap_hotel[summary_tiap_hotel['jumlah_reservasi'] == max_rh])

Теперь получим тренд для отелей каждого типа. Но прежде нам необходимо импортировать библиотеку calendar и создать новую переменную, чтобы можно было наблюдать тренды, с помощью следующего синтаксиса.

import calendar

month_dict = {month: index for index, month in enumerate(calendar.month_name) if month}

df_checkout['arrival_date_month_num'] = df_checkout['arrival_date_month'].map(month_dict)

df_checkout.groupby(['hotel','arrival_date_month_num']).size()



rf_df = df_checkout[df_checkout['hotel'] == "Resort Hotel"]

cf_df = df_checkout[df_checkout['hotel'] == "City Hotel"]

Теперь давайте посмотрим тренд.

sns.lineplot(data = rf_df, x = 'arrival_date_month_num', y = 'id').set_title('Trend Resort Hotel Monthly')

sns.lineplot(data = cf_df, x = 'arrival_date_month_num', y = 'id').set_title('Trend City Hotel Monthly')

sns.countplot(data=df_checkout, x='arrival_date_month_num',hue='hotel')

plt.xlabel('bulan kedatangan')

plt.ylabel('jumlah reservasi')

plt.show()

Вопрос 6
А. Создать новый столбец с именем arrival_date, который содержит полную информацию о годе, месяце и дате прибытия.
В. Изменить тип столбца на DateTime.

Решение 6
Синтаксис для создания нового столбца с именем arrival_date, который содержит полную информацию о годе, месяце и дате прибытия приведен ниже.

df_checkout['arrival_date'] = \

    df_checkout['arrival_date_year'].astype('str') + '-' +\

    df_checkout.arrival_date_month_num.astype('str').str.pad(2,fillchar='0') + '-' +\

    df_checkout.arrival_date_day_of_month.astype('str').str.pad(2,fillchar='0')

Тип данных столбца arrival_date:

df_checkout.arrival_date.dtype

Теперь изменим тип данных столбца. Мы изменим тип данных столбца arrival_date на DateTime и проверим изменение с помощью следующего кода:

df_checkout['arrival_date'] = pd.to_datetime(df_checkout.arrival_date)

df_checkout['arrival_date']

Вопрос 7
Создать 2 фрейма данных, выводящих следующее:
1. Общее бронирование за день.
2. Среднее ежедневное бронирование за каждую неделю.

Решение 7
Фрейм данных общего ежедневного бронирования и его тренд представлены ниже.

df_reservation_perday = df_checkout.resample('D',on='arrival_date').size().reset_index().rename(columns={0:'total_reservation'})

df_reservation_perday

plt.figure(figsize=(10,4))

sns.lineplot(data=df_reservation_perday, x='arrival_date', y='total_reservation')

plt.title('Reservation per Day', fontsize='x-large')

plt.show()

Фрейм данных для среднего ежедневного бронирования за каждую неделю и его тренд представлены ниже.

df_avg_reservation_perday = df_checkout.resample('D',on='arrival_date').size().reset_index().rename(columns={0:'total_reservation'}).\

resample('W',on='arrival_date')['total_reservation'].mean().reset_index()

df_avg_reservation_perday

plt.figure(figsize=(10,4))

sns.lineplot(data=df_avg_reservation_perday, x='arrival_date', y='total_reservation')

plt.title('Average Reservation per Day', fontsize='x-large')

plt.show()

Вопрос 8
А. Каково среднее значение ADR (средняя цена номероночи) по типу отеля и типу заказчика (customer_type)?
В. Какой тип заказчика имеет наибольший ADR для каждого типа отеля?

Решение 8
Среднее значение ADR по типу отеля и типу заказчика можно увидеть ниже.

customer_summary = df_checkout.groupby(['hotel','customer_type'])['adr'].mean().reset_index()

customer_summary

Наибольший ADR для каждого типа отеля имеет заказчик типа Transient. Это можно увидеть на результатах ниже.

max_chs = customer_summary[customer_summary['hotel'] == 'City Hotel']['adr'].max()

max_rhs = customer_summary[customer_summary['hotel'] == 'Resort Hotel']['adr'].max()

display(customer_summary[customer_summary['adr'] == max_chs])

print('')

print('')

display(customer_summary[customer_summary['adr'] == max_rhs])

Вопрос 9
Вывести 10 стран с наибольшим числом бронирований!

Решение 9
Шаг 1
Импортируем df_country и чистим данные.

df_country = pd.read_csv('https://gist.githubusercontent.com/tadast/8827699/raw/f5cac3d42d16b78348610fc4ec301e9234f82821/countries_codes_and_coordinates.csv')

df_country['code'] = df_country['Alpha-3 code'].str.replace('"','').str.strip()

Шаг 2
Выполняем слияние фреймов данных df_checkout и df_country. Используем поле 3-символьного кода, чтобы получить название страны.

df_merged = pd.merge(df_checkout[['id','country']],

                     df_country[['Country','code']],

                     left_on='country',

                     right_on='code',

                     indicator=True,

                     how='left')

Шаг 3
Выводим 10 стран с наибольшим числом бронирования.

df_merged.Country.value_counts().head(10)

Шаг 4
Визуализация

df_merged.Country.value_counts().head(10).sort_values(ascending=True).plot.barh()

plt.show()

Вопрос 10
А. Сколько гостей проживает по каждому бронированию?
В. На основе этого набора данных определить максимальное число гостей. Вывести также строку данных бронирования с максимальным числом гостей.

Решение 10
Число гостей на каждое бронирование составляет 1,94 (округлено до 2).
Максимальное число гостей равно 12. Эти данные можно увидеть в строках mean и max в результатах ниже.

df_checkout['total_guest'] = df_checkout.adults + df_checkout.children + df_checkout.babies

df_checkout.total_guest.describe()

Строка данных бронирования, которая имеет максимальное число гостей, показана ниже.

df_checkout[df_checkout.total_guest==df_checkout.total_guest.max()].T

Ссылки по теме
1. Команды Pandas, которые я часто использую для анализа данных
2. Получение в Python данных из MySQL