数据分析：基于随机森林(RFC)对酒店预订分析预测

作者：i阿极

作者简介：Python领域新星作者、多项比赛获奖者：博主个人首页

如果觉得文章不错或能帮助到你学习，可以点赞收藏评论+关注哦！

如果有小伙伴需要数据集和学习交流，文章下方有交流学习区！一起学习进步！

文章目录

• 数据分析：基于随机森林(RFC)对酒店预订分析预测
• 1、前言
• 2、数据探索
• 3、数据可视化分析
• • 3.1酒店预订量和取消量
  • 3.2酒店各月份预定量
  • 3.3客源地与预订取消率
  • 3.4客户类型
  • 3.5酒店预订途径
  • 3.6各类旅客日均开销
  • 3.7新老客数量与取消预订率
  • 3.8押金方式与预定取消率
  • 3.9房间类型与预定取消量
• 4.数据预处理
• • 4.1处理分类型变量
  • 4.2处理连续型变量
  • 4.3各变量的相关性系数
• 5.建模预测
• • 5.1随机森林
• 分析总结

1、前言

数据准备

2、数据探索

1.导入所需模块

import numpy as np # linear algebraimport pandas as pd # data processing, CSV file I/O (e.g. pd.read_csv)import matplotlib.pyplot as pltimport seaborn as snsimport warningswarnings.filterwarnings('ignore')%matplotlib inline import osfor dirname, _, filenames in os.walk('/home/mw/input/'):    for filename in filenames:        print(os.path.join(dirname, filename))

2.导入数据

df=pd.read_csv('/home/mw/input/1119442/hotel_bookings.csv')df.head()

3.查看每列空值占比

df.isnull().mean()

4.查看数据基本信息

df.info()

5.使用describe()函数，计算数据集中每列的总数、均值、标准差、最小值、25%、50%、75%分位数以及最大值并转置。

df.describe([0.01,0.05,0.1,0.25,0.5,0.75,0.99]).T

3、数据可视化分析

3.1酒店预订量和取消量

plt.figure(figsize=(15,8))sns.countplot(x='hotel'             ,data=df             ,hue='is_canceled'             ,palette=sns.color_palette('Set2',2)            )

hotel_cancel=(df.loc[df['is_canceled']==1]['hotel'].value_counts()/df['hotel'].value_counts()).sort_values(ascending=False)print('酒店取消率'.center(20),hotel_cancel,sep='\n')

City Hotel的预定量与取消量都高于Resort Hotel，但Resort Hotel取消率为27.8%，而City Hotel的取消率达到了41.7%

3.2酒店各月份预定量

city_hotel=df[(df['hotel']=='City Hotel') & (df['is_canceled']==0)]resort_hotel=df[(df['hotel']=='Resort Hotel') & (df['is_canceled']==0)]for i in [city_hotel,resort_hotel]:    i.index=range(i.shape[0])

city_month=city_hotel['arrival_date_month'].value_counts()resort_month=resort_hotel['arrival_date_month'].value_counts()name=resort_month.indexx=list(range(len(city_month.index)))y=city_month.valuesx1=[i+0.3 for i in x]y1=resort_month.valueswidth=0.3plt.figure(figsize=(15,8),dpi=80)plt.plot(x,y,label='City Hotel',color='lightsalmon')plt.plot(x1,y1,label='Resort Hotel',color='lightseagreen')plt.xticks(x,name)plt.legend()plt.xlabel('Month')plt.ylabel('Count')plt.title('Month Book')for x,y in zip(x,y):    plt.text(x,y+0.1,'%d' % y,ha = 'center',va = 'bottom')    for x,y in zip(x1,y1):    plt.text(x,y+0.1,'%d' % y,ha = 'center',va = 'bottom')

3.3客源地与预订取消率

country_book=df['country'].value_counts()[:10]country_cancel=df[(df.country.isin (country_book.index)) & (df.is_canceled==1)]['country'].value_counts()plt.figure(figsize=(15,8))sns.countplot(x='country'              ,data=df[df.country.isin (country_book.index)]              ,hue='is_canceled'              ,palette=sns.color_palette('Set2',2)             )plt.title('Main Source of Guests')

country_cancel_rate=(country_cancel/country_book).sort_values(ascending=False)print('各国客户取消率'.center(10),country_cancel_rate,sep='\n')

Resort hotel和City hotel的旺季均为夏季7、8月份，且客源主要为欧洲国家，符合欧洲游客偏爱夏季出游的特点，需要重点关注来自葡萄牙(PRT)和英国(BRT)等取消率高的主要客源

3.4客户类型

city_customer=city_hotel.customer_type.value_counts()resort_customer=resort_hotel.customer_type.value_counts()plt.figure(figsize=(21,12),dpi=80)plt.subplot(1,2,1)plt.pie(city_customer,labels=city_customer.index,autopct='%.2f%%')plt.legend(loc=1)plt.title('City Hotel Customer Type')plt.subplot(1,2,2)plt.pie(resort_customer,labels=resort_customer.index,autopct='%.2f%%')plt.title('Resort Hotel Customer Type')plt.legend()plt.show()

酒店的主要客户类型都是散客(Transient)，占比均为70%左右

3.5酒店预订途径

city_segment=city_hotel.market_segment.value_counts()resort_segment=resort_hotel.market_segment.value_counts()plt.figure(figsize=(21,12),dpi=80)plt.subplot(1,2,1)plt.pie(city_segment,labels=city_segment.index,autopct='%.2f%%')plt.legend()plt.title('City Hotel Market Segment')plt.subplot(1,2,2)plt.pie(resort_segment,labels=resort_segment.index,autopct='%.2f%%')plt.title('Resort Hotel Market Segment')plt.legend()plt.show()

两间酒店的客源主要来自线上旅游机构，其在City Hotel的占比甚至超过5成；线下旅游机构的比重次之，均为20%左右

3.6各类旅客日均开销

plt.figure(figsize=(15,8))sns.boxplot(x='customer_type'            ,y='adr'            ,hue='hotel'            ,data=df[df.is_canceled==0]            ,palette=sns.color_palette('Set2',2)           )plt.title('Average Daily Rate of Different Customer Type')

City Hotel各类客户的日均开销均高于Resort Hotel；在四种类型的客户中，散客（Transient）的消费最高，团体客（Group）最低

3.7新老客数量与取消预订率

plt.figure(figsize=(15,8))sns.countplot(x='is_repeated_guest'              ,data=df              ,hue='is_canceled'              ,palette=sns.color_palette('Set2',2)             )plt.title('New/Repeated Guest Amount')plt.xticks(range(2),['no','yes'])

guest_cancel=(df.loc[df['is_canceled']==1]['is_repeated_guest'].value_counts()/df['is_repeated_guest'].value_counts()).sort_values(ascending=False)guest_cancel.index=['New Guest', 'Repeated Guest']print('新老客取消率'.center(15),guest_cancel,sep='\n')

老客的取消率为14.4%，而新客的取消率则达到了37.8%，高出老客24个百分点

3.8押金方式与预定取消率

print('三种押金方式预定量'.center(15),df['deposit_type'].value_counts(),sep='\n')

deposit_cancel=(df.loc[df['is_canceled']==1]['deposit_type'].value_counts()/df['deposit_type'].value_counts()).sort_values(ascending=False)plt.figure(figsize=(8,5))x=range(len(deposit_cancel.index))y=deposit_cancel.valuesplt.bar(x,y,label='Cancel_Rate',color=['orangered','lightsalmon','lightseagreen'],width=0.4)plt.xticks(x,deposit_cancel.index)plt.legend()plt.title('Cancel Rate of Deposite Type')for x,y in zip(x,y):    plt.text(x,y,'%.2f' % y,ha = 'center',va = 'bottom')

无需押金(‘No Deposit’)是预定量最高的方式，且取消率较低，而不退押金(Non Refund)这一类型的取消预订率高达99%，可以减少这一类型的押金方式以减少客户取消率

3.9房间类型与预定取消量

plt.figure(figsize=(15,8))sns.countplot(x='assigned_room_type'              ,data=df              ,hue='is_canceled'              ,palette=sns.color_palette('Set2',2)             )plt.title('Book & Cancel Amount of Room Type')

room_cancel=df.loc[df['is_canceled']==1]['assigned_room_type'].value_counts()[:7]/df['assigned_room_type'].value_counts()[:7]print('不同房型取消率'.center(5),room_cancel.sort_values(ascending=False),sep='\n')

在预定量前7的房型中，A、G房型的取消率均高于其他房型，A房型的取消率更是高达44.5%

4.数据预处理

建模的目的是为了预测旅客是否会取消酒店的预订，后续需要将’is_canceled’设为标签y，其余为特征x。日期特征’is_cance’reservation_status_date’不会直接影响标签，所以删除

df1=df.drop(labels=['reservation_status_date'],axis=1)

4.1处理分类型变量

cate=df1.columns[df1.dtypes == "object"].tolist()#用数字表现的分类型变量num_cate=['agent','company','is_repeated_guest']cate=cate+num_cate

results={}for i in ['agent','company']:    result=np.sort(df1[i].unique())    results[i]=resultresults

agent和company列空值占比较多且无0值，所以用0填补

df1[['agent','company']]=df1[['agent','company']].fillna(0,axis=0)

df1.loc[:,cate].isnull().mean() 

创造新变量in_company和in_agent对旅客分类,company和agent为0的设为NO,非0的为YES

df1.loc[df1['company'] == 0,'in_company']='NO'df1.loc[df1['company'] != 0,'in_company']='YES'df1.loc[df1['agent'] == 0,'in_agent']='NO'df1.loc[df1['agent'] != 0,'in_agent']='YES'

创造新特征same_assignment,若预订的房间类型和分配的类型一致则为yes，反之为no

df1.loc[df1['reserved_room_type'] == df1['assigned_room_type'],'same_assignment']='Yes'df1.loc[df1['reserved_room_type'] != df1['assigned_room_type'],'same_assignment']='No'

删除’reserved_room_type’,‘assigned_room_type’,‘agent’,’company’四个特征

df1=df1.drop(labels=['reserved_room_type','assigned_room_type','agent','company'],axis=1)

重新设置’is_repeated_guest’，常客标为YES，非常客为NO

df1['is_repeated_guest'][df1['is_repeated_guest']==0]='NO'df1['is_repeated_guest'][df1['is_repeated_guest']==1]='YES'

df1['country']=df1['country'].fillna(df1['country'].mode()[0])

for i in ['in_company','in_agent','same_assignment']:    cate.append(i)for i in ['reserved_room_type','assigned_room_type','agent','company']:    cate.remove(i)cate

对分类型特征进行编码

from sklearn.preprocessing import OrdinalEncoderoe = OrdinalEncoder()oe = oe.fit(df1.loc[:,cate])df1.loc[:,cate] = oe.transform(df1.loc[:,cate])

4.2处理连续型变量

筛选出连续型变量，需要先删除’is_canceled’这一标签

col=df1.columns.tolist()col.remove('is_canceled')for i in cate:    col.remove(i)col

统计空值

df1[col].isnull().sum()

使用众数填补xtrain children列的空值

df1['children']=df1['children'].fillna(df1['children'].mode()[0])

连续型变量进行无量纲化

from sklearn.preprocessing import StandardScalerss = StandardScaler()ss = ss.fit(df1.loc[:,col])df1.loc[:,col] = ss.transform(df1.loc[:,col])

4.3各变量的相关性系数

cor=df1.corr()cor=abs(cor['is_canceled']).sort_values()cor

plt.figure(figsize=(8,15))x=range(len(cor.index))name=cor.indexy=abs(cor.values)plt.barh(x,y,color='salmon')plt.yticks(x,name)for x,y in zip(x,y):    plt.text(y,x-0.1,'%.2f' % y,ha = 'center',va = 'bottom')plt.xlabel('Corrleation')plt.ylabel('Varriance')plt.show()

预订状态（‘reservation_status’)与是否取消预订的相关性最高，达到了0.92，但考虑到后续可能会导致模型过拟合，所以删除；押金类型(‘deposit_type’)则达到了0.47，创造的特征预订和分配房型是否一致(‘same_assignment’)也有0.25的相关性

5.建模预测

划分特征x和标签y

df2=df1.drop('reservation_status',axis=1)x=df2.loc[:,df2.columns != 'is_canceled' ]y=df2.loc[:,'is_canceled']from sklearn.model_selection import train_test_split as ttsxtrain,xtest,ytrain,ytest=tts(x,y,test_size=0.3,random_state=90)for i in [xtrain,xtest,ytrain,ytest]:    i.index=range(i.shape[0])

5.1随机森林

from sklearn.ensemble import RandomForestClassifierfrom sklearn.model_selection import cross_val_score as cvs,KFoldfrom sklearn.metrics import accuracy_scorerfc=RandomForestClassifier(n_estimators=100,random_state=90)cv=KFold(n_splits=10, shuffle = True, random_state=90)rfc_score=cvs(rfc,xtrain,ytrain,cv=cv).mean()rfc.fit(xtrain,ytrain)y_score=rfc.predict_proba(xtest)[:,1]rfc_pred=rfc.predict(xtest)from sklearn.metrics import roc_curvefrom sklearn.metrics import roc_auc_score as AUCFPR, recall, thresholds = roc_curve(ytest,y_score, pos_label=1)rfc_auc = AUC(ytest,y_score)

绘制ROC曲线

plt.figure(figsize=(8,8))plt.plot(FPR, recall, color='red',label='ROC curve (area = %0.2f)' % rfc_auc)plt.plot([0, 1], [0, 1], color='black', linestyle='--')plt.xlim([-0.05, 1.05])plt.ylim([-0.05, 1.05])plt.xlabel('False Positive Rate')plt.ylabel('Recall')plt.title('Random Forest Classifier ROC Curve')plt.legend(loc="lower right")plt.show()

查看模型classification_report

from sklearn.metrics import classification_report as CRprint('随机森林'.center(50), CR(ytest,rfc_pred),sep='\n')

score={'Model_score':[rfc_score],'Auc_area':[rfc_auc]}score_com=pd.DataFrame(data=score,index=['RandomForest'])score_com.sort_values(by=['Model_score'],ascending=False)

随机森林的准确度达到了88.8%，AUC面积也有0.95，可以通过调参来继续提升模型的效果

分析总结

1.City Hotel的预定量和取消率都远高于Resort Hotel，该酒店应对客户展开调研，深入了解导致客户最终放弃预订的因素从而降低客户的取消率

2.酒店应利用好每年7、 8月的旅游旺季，可以在保证服务质量的同时适当提高价格获取更多利润，在淡季（冬季）的时候进行优惠活动，如圣诞大促和新年活动，减少酒店空房率

3.酒店需分析来自葡萄牙、英国等主要客源国的客户画像，了解这些客户的属性标签、偏好与消费特征，推出专属服务从而降低客户的取消率

4.由于散客是酒店的主要客户群且消费水平较高，酒店可以通过线上和线下旅游机构的途径，加大对自由行的宣传营销，从而吸引更多该类型的游客

5.新客的取消率比老客高24%，因此，酒店应重点关注新客的预订与入住体验，为新客提供更多指引与优惠，如为首次入住的客户提供折扣，调研新客对入住满意与不满意的反馈以提升日后服务，同时维护好老客

6.不退押金(Non Refund)这一类型的取消预订率高达99%，酒店应优化这种方式，如返还50%的押金，或者可以直接取消这一种方式，从而提高入住率

7.A、G房型的取消率远高于其他房型，酒店方应在客户在预订的时候跟客户仔细确认房间信息，让客户对房间情况有充分了解，避免认知错误，同时可以对房间设施进行优化并提高服务水平