Airbnb房源信息与价格分析—基于2019年纽约市数据

摘要：

Airbnb是AirBed and Breakfast ("Air-b-n-b")的缩写，中文名：爱彼迎。爱彼迎是一家联系旅游人士和家有空房出租的房主的服务型网站，它可以为用户提供多样的住宿信息。其中，各类房源占比多少？价格与什么有关？房源分布有什么特点？房东在介绍自己的房子时更喜欢什么样的词汇？基于2019年纽约市Airbnb的房源数据，作者利用已有知识探究了以上问题，主要探究了价格与其他因素的相关性，利用Tk、pandas、numpy、matplotlib、wordcloud等模块，并以直观、可视化的形式得出了以下结论：1.房源类型一般分为三类：Private room，Entire room/apt和Shared room，前两类占比较大，后者略多，Shared room在市场中极少；2.价格与地理位置、房源类型关系较大，与评论数略呈反比但波动性较大，与营业时长无关；3.房源主要集中在纽约市中部和旁边岛屿，周围较少；4.在描述房子时，房东不仅会标出房子类型，还会提到close to…（临近…）、park、heart of（中心地段）、街区等信息表示自己地理位置优越，另外modern（现代的）、sunny（有阳光的）、spacious（宽敞的）、beautiful（环境优美的）、cozy（舒适的）等形容词也被提及较多。

一、研究目标

该程序面向想要查询、查看Airbnb数据的用户，同时为专业人员提供数据可视化。

要解决的数据可视化问题主要有：

各类房源占比多少？这个问题可以通过绘制饼状图显示。

价格与什么有关？这个问题可以通过绘制价格与地理位置（街区）、房源类型、评论数、营业时间的柱状图或直线图显示。

房源分布有什么特点？这个问题可以通过经纬度绘制散点图与纽约市地图对比来显示。

房东在介绍自己的房子时更喜欢什么样的词汇？这个问题可以通过房子介绍的文本绘制词云图来表示。

二、总体设计

（一）程序模块图

（二）GUI界面

1. 总界面

2. 打开文件

3. 查询

三、程序模块详细设计

（一）主程序

1. 导入相关第三方库。

2. 初始化filename和file_addressed，设置汉字和负数的显示。

3. 在界面设计label，button，combobox，entry，listbox和scrollbar：

lbl1显示Airbnb基本信息，btn1按钮打开数据，btn3按钮显示房源类型饼状图，btn4按钮显示价格相关因素的柱状图和折线图，btn5按钮显示房源分布图，btn6按钮显示词云图，lbl_seek划分区域，lbl_nei显示“街区”，box1可选择街区，lbl_typ显示“类型”，box2可选择房源类型，lbl_price显示“预算”，lbl_pun显示“~”表示区间，ent1和ent2分别接收用户输入的最小值、最大值，btn7按钮开始查询，list_box显示表格内容，scrolly和scrolly_两个滚动条分别在最右端和最下端控制显示内容。

（二）调用函数

1. sVar_l(sVar,data,l)：

设置sVar变量，并用str.center()将每项居中。

2. file_open()：

用askopenfilename()浏览文件夹，用pd.read_csv()打开文件，然后处理数据。AB_NYC_2019.csv的数据较多，共有45351条数据，信息有id（房屋id）, name（房屋名字）, host_id（房东id）, host_name（房东姓名）, neighbourhood_group（区）, neighbourhood（社区）, latitude（纬度）, longitude（经度）, room_type（房源类型）, price（价格）, minimum_nights（几天起租）, number_of_reviews（总评论数）, last_review（最新评论发表时间）, reviews_per_month（月平均评论数）, calculated_host_listings_count（房间数）, availability_365（一年中有多少天可用）共16条。数据处理完成后，file_addressed为True。

（1）数据读取。

使用pandas的read_csv()函数将csv文件读入DataFrame对象。

（2）数据精简。

使用drop()函数去除id, host_id, last_review这三条。

（3）去重复。

使用drop_duplicates()函数去除重复数据。

（4）处理缺失数据。

由于有些number_of_reviews为0，当计算reviews_per_month时需要除以运营时长（月），而0不能作为被除数，所以此时reviews_per_month缺失，表现为NaN，使用fillna()函数，将这一列缺失数据填充为0。使用dropna()函数将其他信息有NaN的数据删去。availability_365和calculated_host_listings_count为0表示此房源一年都不可租赁，可以认为是一条无效数据，使用isin()函数将这两条为0的数据删去。

（5）标准化。

将price列数据定义为整型，便于之后筛选。将data.index设置为从1开始的数字。使用to_csv将处理后的数据保存为result.csv，在之后数据可视化时，使用这个数据文件。

3. 可视化

（1）pie_show()：

用饼图显示房源类型，前提是file_addressed为True，否则会出现警告。

（2）price_show()：

用柱状图和折线图显示价格相关因素，前提是file_addressed为True，否则会出现警告。其中，运营时长由number_of_reviews除以reviews_per_month计算得来。

（3）map_show()：

用散点图显示房源分布，前提是file_addressed为True，否则会出现警告。数据为经纬度，可视化结果可参考纽约市地图。

（4）wordcloud()：

用词云图表示房源描述偏好，词云图保存为wordcloud.png。在词云图形成过程中，产生了image模块错误，限定在PIL库后正常运行。

4. seek()：

通过用户选择和输入内容查询，在listbox显示符合条件的内容。同样，前提是file_addressed为True，否则会出现警告。

四、数据可视化和结论

（一）房源类型

房源类型一般分为三类：Private room，Entire room/apt和Shared room，前两类占比较大，后者略多，Shared room在市场中极少。

（二）房源价格影响因素

价格与地理位置、房源类型关系较大：Manhattan区房源价格最高，Entire home/apt类型房源价格最高。价格与评论数略呈反比但波动性较大，与营业时长无关。

（三）房源分布

房源主要集中在纽约市中部和旁边岛屿，周围较少。

（四）词云图

在描述房子时，房东不仅会标出房子类型，还会提到close to…（临近…）、park、heart of（中心地段）、街区等信息表示自己地理位置优越，另外，modern（现代的）、sunny（有阳光的）、spacious（宽敞的）、beautiful（环境优美的）、cozy（舒适的）等形容词也被提及较多。

五、亮点

在本次大作业中，我借鉴公众号自学了词云图的制作，虽然结果图还有不清晰、图案不明显的问题，但是可视化效果有了很大的提高，在分析时直观了很多。

经过一个学期的学习，Tk等模块已经可以做到熟悉应用，在完成时也参考了很多大佬的想法，使程序更加高效。

六、反思

本次大作业中还存在很多问题，比如str.center()在Tk模块中依然有问题，箱图等高阶图表还需要更多练习，无法兼顾词云图的清晰度和大小，在字体调整上也遇到了很多问题。在解决其他问题时，我总是问问别人，参考一下网络上的教程，确实学到了很多。感谢老师和朋友们给了我很多帮助，让我明白谦虚永远是最好的品质；感谢一学年的Python课程，让我有了新的看世界的角度。