Kaggle專案：酒店預訂需求(Hotel booking demand)詳細分析
本次“酒店預訂需求”專案主要透過Python做預處理，分析酒店的房型供給、不同時間段的需求變化、最核心的消費群體、影響退訂的因素，並利用分類演算法建立酒店訂單退訂的預測模型。
整體分析流程如下：
1。提出問題
2。檢視並理解資料
3。資料清洗
4。資料探勘及視覺化
5。資料建模
一、提出問題
該專案為酒店線上預訂業務的研究內容，從酒店運營角度，主要關心酒店的整體線上預訂量如何，退訂量有多少，造成這些退訂的因素有哪些，可以怎麼提升預訂入住率；從客戶體驗角度，主要關心哪些房型的預訂量較高（有所偏愛），客戶的復定率怎麼樣，客戶的預訂入住頻率、消費金額、消費近度怎樣，是否為重要價值客戶，重點跟進維護。
針對這個專案主要圍繞下面三個問題進行分析：
1。哪些房型的入住率最高，找出最受歡迎的房型，最佳化酒店房型分配
2。客戶入住晚數的需求分佈情況怎樣，哪些的需求量最大，並統計出這些使用者偏愛入住的房型
3。使用者為何取消預訂，哪些因素與此最相關，我們如何判斷一個預訂訂單被取消的可能性
二、檢視並理解資料
1.資料集本地連結：
hotel_bookings。csv
16。9M
·
百度網盤
不過還是建議去Kaggle官網，搜尋Hotel booking demand下載，也可以圍觀學習大神的分析方法，幫你更上一層
2.資料匯入、理解
#匯入相關的庫，方便後續呼叫
import numpy as np
import pandas as pd
import pandas_profiling as pp
import seaborn as sns
import matplotlib。pyplot as plt
plt。rcParams［“font。sans-serif”］ = ［“SimHei”］
plt。rcParams［“font。serif”］ = ［“SimHei”］
%matplotlib inline
#讀取資料
hotel_data = pd。read_csv（r‘C：\Users\LEE\Desktop\資料分析\資料分析資料\酒店預訂\hotel_bookings。csv’）
#檢視資料的基本資訊
hotel_data。info（）
結果：
RangeIndex： 119390 entries， 0 to 119389
Data columns （total 32 columns）：
# Column Non-Null Count Dtype
——- ———— ———————— ——-
0 hotel 119390 non-null object
1 is_canceled 119390 non-null int64
2 lead_time 119390 non-null int64
3 arrival_date_year 119390 non-null int64
4 arrival_date_month 119390 non-null object
5 arrival_date_week_number 119390 non-null int64
6 arrival_date_day_of_month 119390 non-null int64
7 stays_in_weekend_nights 119390 non-null int64
8 stays_in_week_nights 119390 non-null int64
9 adults 119390 non-null int64
10 children 119386 non-null float64
11 babies 119390 non-null int64
12 meal 119390 non-null object
13 country 118902 non-null object
14 market_segment 119390 non-null object
15 distribution_channel 119390 non-null object
16 is_repeated_guest 119390 non-null int64
17 previous_cancellations 119390 non-null int64
18 previous_bookings_not_canceled 119390 non-null int64
19 reserved_room_type 119390 non-null object
20 assigned_room_type 119390 non-null object
21 booking_changes 119390 non-null int64
22 deposit_type 119390 non-null object
23 agent 103050 non-null float64
24 company 6797 non-null float64
25 days_in_waiting_list 119390 non-null int64
26 customer_type 119390 non-null object
27 adr 119390 non-null float64
28 required_car_parking_spaces 119390 non-null int64
29 total_of_special_requests 119390 non-null int64
30 reservation_status 119390 non-null object
31 reservation_status_date 119390 non-null object
dtypes： float64（4）， int64（16）， object（12）
memory usage： 29。1+ MB
資料集總計有32個欄位，119389行資料，有比較明顯的缺失值company，另arrival_
date
_等可能需合併，並轉化為日期格式。
#檢視並理解資料
hotel_data。head（）
#以下整理出了對應欄位的解析
explain = pd。read_excel（r“C：\Users\LEE\Desktop\資料分析\資料分析資料\酒店預訂\酒店預訂欄位理解。xls”）
目前該資料集是32個欄位，根據Kaggle對各個欄位的解釋，整理出該表。
三、資料清洗
1.缺失值處理
# 統計缺失值
hotel_data。isnull（）。sum（）
結果：
hotel 0
is_canceled 0
lead_time 0
arrival_date_year 0
arrival_date_month 0
arrival_date_week_number 0
arrival_date_day_of_month 0
stays_in_weekend_nights 0
stays_in_week_nights 0
adults 0
children 4
babies 0
meal 0
country 488
market_segment 0
distribution_channel 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
agent 16340
company 112593
days_in_waiting_list 0
customer_type 0
adr 0
required_car_parking_spaces 0
total_of_special_requests 0
reservation_status 0
reservation_status_date 0
dtype： int64
#統計缺失率
hotel_data。isnull（）。sum（）/hotel_data。shape［0］
結果：
hotel 0。000000
is_canceled 0。000000
lead_time 0。000000
arrival_date_year 0。000000
arrival_date_month 0。000000
arrival_date_week_number 0。000000
arrival_date_day_of_month 0。000000
stays_in_weekend_nights 0。000000
stays_in_week_nights 0。000000
adults 0。000000
children 0。000034
babies 0。000000
meal 0。000000
country 0。004087
market_segment 0。000000
distribution_channel 0。000000
is_repeated_guest 0。000000
previous_cancellations 0。000000
previous_bookings_not_canceled 0。000000
reserved_room_type 0。000000
assigned_room_type 0。000000
booking_changes 0。000000
deposit_type 0。000000
agent 0。136862
company 0。943069
days_in_waiting_list 0。000000
customer_type 0。000000
adr 0。000000
required_car_parking_spaces 0。000000
total_of_special_requests 0。000000
reservation_status 0。000000
reservation_status_date 0。000000
dtype： float64
資料的缺失值主要存在於children,country,agent,company4個欄位，缺失最多的是company
第一，children缺失4個，且為數值型變數，所以用中位數填充
第二，country缺失488個，且為類別型變數，所以使用眾數填充
第三，agent缺失16340個，缺失率為13。6%，缺失數量較大，但agent表示預訂的旅行社，且缺失率小於20%，建議保留，並用0填充，表示沒有旅行社ID
第四，company缺失112593個，缺失率為94。3%>80%，不具備資訊價值有效性，所以直接刪除
#復刻樣本資料，不對資料來源做處理
data_new = hotel_data。copy（）
# 處理company欄位，直接刪除
data_new。drop（“company”，axis=1，inplace=True）
# 處理children欄位，中位數填充
data_new。children。fillna（data_new。children。median（）， inplace=True）
# 處理country欄位，眾數填充
data_new。country。fillna（data_new。country。mode（）［0］，inplace=True）
# 處理agent欄位，0值填充
data_new。agent。fillna（0， inplace=True）
注意每次做完資料清洗需要對該清洗進行檢驗，此處由於篇幅做省略
2.重複值處理
由於該資料集是酒店的每個預訂記錄，沒有對應主鍵，可能存在重複值，暫不做重複處理
備：
data_new。duplicated（）。sum（）：查詢重複量
data_new［data_new。duplicated（）==True］：查詢重複值
若有重複值，可以使用data_
new。drop
_duplicates（），刪除重複行
3.異常值處理
可以看出小孩的入住量、旅行社代理入住的量均不能是浮點數，需要統一規劃為整型資料
# children、agent欄位不可能為浮點數，需修改資料型別
data_new。children = data_new。children。astype（int）
data_new。agent = data_new。agent。astype（int）
meal裡總計有5種餐型，其中Undefined / SC –無餐套餐為一類，需統一替換為SC類
# 根據原資料集介紹，餐飲欄位中的Undefined / SC –無餐套餐為一類
data_new。meal。replace（“Undefined”， “SC”， inplace=True）
資料集中adults，children，babies欄位均為0，即同一訂單下，預訂入住的人數不能為0，需剔除處理
#檢視異常值
data_new。describe（）
#刪除異常值的行
zero_guests = list（data_new［“adults”］ + data_new［“children”］ + data_new［“babies”］ == 0）
data_new。drop（data_new。index［zero_guests］，inplace=True）
酒店平均每日收費有一個大於5000的離群值，會嚴重影響描述性統計，需刪除離群值
#核實adr變數的離群值情況
sns。boxplot（x=data_new［‘adr’］）
#刪除離群值
data_new = data_new［data_new［“adr”］<5000］
四、資料探勘及視覺化
考慮資料集中部分欄位結構冗餘，整體資料量較大，需做統一合併處理
arrival_date_month抵達的月份為英文格式，與抵達的年、日格式不符
#修改arrival_date_month的英文月份為中文月份
import calendar
month = ［］
for i in data_new。arrival_date_month：
mon = list（calendar。month_name）。index（i）
month。append（mon）
data_new。insert（4，“arrival_month”，month）
arrival_
date
_抵達的年月日，結構單一，建議合併
#增加一列預訂到店的年月日arrival_date
data_new［［“arrival_date_year”，“arrival_month”，“arrival_date_day_of_month”］］ = data_new［［“arrival_date_year”，“arrival_month”，“arrival_date_day_of_month”］］。apply（lambda x：x。astype（str））
date = data_new。arrival_date_year。str。cat（［data_new。arrival_month，data_new。arrival_date_day_of_month］，“。”）
data_new。insert（3，“arrival_date”，date）
統計stays_in_ _nights入住的晚數
#增加一列總住宿晚數stays_nights_total
nums_stays = data_new。stays_in_weekend_nights + data_new。stays_in_week_nights
data_new。insert（9，“stays_nights_total”，nums_stays）
統計每單入住人數adults+children+babies
#增加一列住宿人數number_of_people
nums_peoples = data_new。adults + data_new。children + data_new。babies
data_new。insert（12，“number_of_people”，nums_peoples）
1.指標分析
(1)預定量怎麼樣
#不同酒店的預訂數
book_amount = data_new。groupby（“hotel”）［“is_canceled”］。count（）。reset_index（）。rename（columns={“is_canceled”：“amount”}）
book_amount［“book_rate”］ = round（book_amount。amount/book_amount。amount。sum（），4）
book_amount
資料集收錄了2015。7。1至2017。8。29期間的所有預定資料，劃分為City Hotel（城市酒店）和Resort Hotel（度假酒店）。在不考慮酒店退訂的情況下，城市酒店的預訂量佔比66。41%，是度假酒店預訂量的2倍
(2)預定入住率怎麼樣
#核實總的預訂入住率
check_in_rate = str（round（data_new。groupby（“is_canceled”）［“is_canceled”］。count（）［0］/data_new。shape［0］*100，2））+“%”
canceled_rate = str（round（data_new。groupby（“is_canceled”）［“is_canceled”］。count（）［1］/data_new。shape［0］*100，2））+“%”
print（“該資料的總預訂入住率：”，check_in_rate）
print（“相應的總預訂取消率：”，canceled_rate）
結果：
該資料的總預訂入住率： 62。96%
相應的總預訂取消率： 37。04%
統計整體的預訂入住情況，總的預訂入住率還是隻停留在62。96%，取消情況會在後續的影響因素分析中進一步挖掘
#度假酒店預訂入住情況
rh_iscanceled_count = data_new［data_new［“hotel”］==“Resort Hotel”］。groupby（“is_canceled”）［“hotel”］。count（）。reset_index（）。rename（columns={“hotel”：“amount”}）
rh_cancel_data = pd。DataFrame（{“hotel”：“度假酒店”，
“is_canceled”：rh_iscanceled_count。is_canceled，
“count”：rh_iscanceled_count。amount，
“iscanceled_rate”：rh_iscanceled_count。amount/rh_iscanceled_count。amount。sum（）}）
#城市酒店預訂入住情況
ch_iscanceled_count = data_new［data_new［“hotel”］==“City Hotel”］。groupby（“is_canceled”）［“hotel”］。count（）。reset_index（）。rename（columns={“hotel”：“amount”}）
ch_cancel_data = pd。DataFrame（{“hotel”：“城市酒店”，
“is_canceled”：ch_iscanceled_count。is_canceled，
“count”：ch_iscanceled_count。amount，
“iscanceled_rate”：ch_iscanceled_count。amount/ch_iscanceled_count。amount。sum（）}）
#不同酒店型別預訂入住率
iscancel_data = pd。concat（［rh_cancel_data，ch_cancel_data］，ignore_index=True）
iscancel_data
結果：
hotel is_canceled count iscanceled_rate
0 度假酒店 0 28938 0。722366
1 度假酒店 1 11122 0。277634
2 城市酒店 0 46228 0。582738
3 城市酒店 1 33101 0。417262
城市酒店的總預訂量大，但同時預訂取消率也不低，主要是因為城市酒店的主要使用者群是商務差旅的使用者，往往具有緊急性及未規劃性，酒店的預訂在未規劃及深入瞭解酒店狀態情況下，容易盲目預訂、退訂，所以退訂率高，建議在在渠道平臺增加“附近優選”功能，透過輸入地址，自動篩選推薦附近城市酒店的入住率高、覆住率高、評價高等高品質回饋的城市酒店，一方面能為使用者提供更高效便捷的推薦服務，另一方面也促使平臺渠道最佳化服務內容
(3)老客戶的復定率怎麼樣
#核實總的復定率
reversal_book_rate = str（round（data_new。groupby（“is_repeated_guest”）［“is_repeated_guest”］。count（）［1］/data_new。shape［0］*100，2））+“%”
print（“該資料的總復定率：”，reversal_book_rate）
結果：
該資料的總復定率： 3。19%
#不同酒店型別的覆住率
data_rb = data_new。groupby（［“hotel”，“is_repeated_guest”］）［“hotel”］。count（）
print（“城市酒店的復定率：”，data_rb［“City Hotel”，1］/data_rb［“City Hotel”］。sum（））
print（“城市酒店的復定率：”，data_rb［“Resort Hotel”，1］/data_rb［“Resort Hotel”］。sum（））
結果：
城市酒店的復定率： 0。02561484450831348
城市酒店的復定率： 0。04438342486270594
城市酒店和度假酒店的復定率均不高，在3%左右，均是自然客流帶來的業務，沒有較強的粘性。建議：梳理預訂入住流程及服務質量反饋渠道，改善提升服務質量；同時在預訂分銷渠道（如小程式、小影片、各大軟文平臺、官網）平臺植入相關軟文，增加曝光量，相應的收集分析看官們的資訊抵達率、資訊點選率、優惠參與率、軟文-消費頁面跳轉率、最終消費轉化率等系列資料，歸納分類高價值渠道、高價值客戶，根據活動針對性的提升高價值渠道、高價值客戶的投入佔比。
2.問題分析
#返回酒店列的統計值
data_new［“hotel”］。value_counts（）
#劃分城市酒店及度假酒店的資料集
rh = data_new［（data_new［“hotel”］==“Resort Hotel”） & （data_new［“is_canceled”］==0）］
ch = data_new［（data_new［“hotel”］==“City Hotel”） & （data_new［“is_canceled”］==0）］
由於後續均是針對不同酒店進行比較，所以這裡會劃分度假酒店和城市酒店的資料，同時剔除已經取消的訂單記錄
問題1：哪些房型的入住率最高，找出最受歡迎的房型，最佳化酒店房型分配
#統計不同酒店、不同房型的入住情況
rh_room = rh。groupby（“assigned_room_type”）［“hotel”］。count（）。reset_index（）。rename（columns={“hotel”：“room_counts”}）
ch_room = ch。groupby（“assigned_room_type”）［“hotel”］。count（）。reset_index（）。rename（columns={“hotel”：“room_counts”}）
#酒店標識
rh_room［“hotel”］ = “度假酒店”
ch_room［“hotel”］ = “城市酒店”
#合併
all_room = pd。concat（［ch_room，rh_room］，ignore_index=True）
plt。figure（figsize=（16，8））
sns。barplot（x=“assigned_room_type”，y=“room_counts”，hue=“hotel”，data=all_room，hue_order=［“城市酒店”，“度假酒店”］）
plt。title（“不同房型的入住數量”，fontsize=16）
plt。xlabel（“房型”，fontsize=16）
plt。ylabel（“入住數”，fontsize=16）
plt。legend（loc=“upper right”）
plt。show（）
酒店的A和D房型的預訂入住量均明顯高於其他房型，是後續主推的房型，也是主要的房型最佳化物件；其餘B、C、F、G、H、L房型均沒有太多的預訂入住量，可以適當調整房型佔比，最大化入住率；另度假酒店E房型的的預訂入住量數量也不少，可能是酒店的高階套房（帶觀景臺）
結合時間序列，劃分為四季，統計分析四季不同酒店型別的入住量變化情況
#對月份進行對映，得到對應的季節
season = {“January”：“冬季”，“February”：“春季”，“March”：“春季”，“April”：“春季”，“May”：“夏季”，“June”：“夏季”，“July”：“夏季”，“August”：“秋季”，“September”：“秋季”，“October”：“秋季”，“November”：“冬季”，“December”：“冬季”}
rh［“seasons”］ = rh［“arrival_date_month”］。map（season）
ch［“seasons”］ = ch［“arrival_date_month”］。map（season）
#結合時序分析不同酒店、房型在四季的入住情況
rh_room_season = rh。groupby（［“reserved_room_type”，“seasons”］）［“hotel”］。count（）。reset_index（）。rename（columns={“hotel”：“room_counts”}）
ch_room_season = ch。groupby（［“reserved_room_type”，“seasons”］）［“hotel”］。count（）。reset_index（）。rename（columns={“hotel”：“room_counts”}）
rh_room_season［“hotel”］ = “度假酒店”
ch_room_season［“hotel”］ = “城市酒店”
all_room_season = pd。concat（［ch_room_season，rh_room_season］，axis=0，ignore_index=True）。sort_values（“seasons”）
plt。figure（figsize=（30，30））
sns。catplot（x=“reserved_room_type”，y=“room_counts”，hue=“hotel”，col=“seasons”，data=all_room_season，kind=“bar”，col_order=［“春季”，“夏季”，“秋季”，“冬季”］，hue_order=［“城市酒店”，“度假酒店”］）
城市酒店的隨著季節變化比較明顯，春夏秋三季的入住量不斷攀升，在夏季達到高峰，而在冬季的客流量則有所縮減；度假酒店的話，則春夏秋季基本保持平穩，凜冬客流減少
問題2：客戶入住晚數的需求分佈情況怎樣，哪些的需求量最大，並統計出這些使用者偏愛入住的房型
#統計不同酒店型別每一單的入住居住晚數
rh［“total_nights”］ = rh［“stays_in_weekend_nights”］ + rh［“stays_in_week_nights”］
ch［“total_nights”］ = ch［“stays_in_weekend_nights”］ + ch［“stays_in_week_nights”］
#統計不同入住晚數的計量
rh_nights_count = rh［“total_nights”］。value_counts（）。reset_index（）。rename（columns={“index”：“入住晚數”，“total_nights”：“入住計量”}）
ch_nights_count = ch［“total_nights”］。value_counts（）。reset_index（）。rename（columns={“index”：“入住晚數”，“total_nights”：“入住計量”}）
rh_nights_count［“hotel”］ = “度假酒店”
ch_nights_count［“hotel”］ = “城市酒店”
#合併
all_nights_count = pd。concat（［rh_nights_count，ch_nights_count］，ignore_index=True）
plt。figure（figsize=（18，6））
sns。barplot（x=“入住晚數”，y=“入住計量”，hue=“hotel”，data=all_nights_count，hue_order=［“城市酒店”，“度假酒店”］）
plt。title（“住房天數分佈”，fontsize=16）
plt。xlabel（“入住晚數”，fontsize=16）
plt。ylabel（“入住晚數計量”，fontsize=16）
plt。legend（loc=“upper right”）
根據入住晚數的統計分析，酒店入住晚數大量分佈在1-3晚；同時度假酒店在“7晚預訂”上也比較受歡迎，可能是優惠策略帶來的正面影響
#度假酒店“7晚預訂”的客戶偏愛的房型
rh［rh［“total_nights”］==7］。groupby（“reserved_room_type”）［“hotel”］。count（）
結果：
reserved_room_type
A 2112
C 110
D 1248
E 655
F 158
G 113
H 39
Name： hotel， dtype： int64
度假酒店“7晚預訂”的客戶還是比較偏愛A、D、E房型，整體分佈沒有太大變化
問題3：使用者為何取消預訂，哪些因素與此最相關，我們如何判斷一個預訂訂單被取消的可能性
① 從“預訂房型與提供房型是否一樣”考慮，影響退訂的可能性
#預訂房型和給定房型的資料
assigned_data = data_new［［“is_canceled”，“reserved_room_type”，“assigned_room_type”］］
#判斷預訂房型和給定房型是否一致
assigned_data［“equal”］ = np。where（assigned_data［“reserved_room_type”］==assigned_data［“assigned_room_type”］，1，0）
#統計一致量
assigned_data［“equal”］。value_counts（）
結果：
1 104413
0 14796
Name： equal， dtype： int64
在預訂房型和給定房型的差別上，仍有14796單無法滿足客戶入住需求
#取消訂單與房型一致性的關係
assigned_data。groupby（［“is_canceled”，“equal”］）［“reserved_room_type”］。count（）
結果：
is_canceled equal
0 0 13995
1 61016
1 0 801
1 43397
Name： reserved_room_type， dtype： int64
在取消的訂單中，預訂房型與提供房型不一致的數量有802單，佔比取消訂單總數的1%，佔比如此低，所以不是客戶退訂的主要因素
②從“提供的餐型”考慮，影響退訂的可能性
#餐型資料
meal_data = data_new［［“is_canceled”，“meal”］］
#y表示取消訂單，n表示未取消訂單，不同餐型的計量
meal_data_y = meal_data［meal_data［“is_canceled”］==1］。groupby（“meal”）［“meal”］。count（）
meal_data_n = meal_data［meal_data［“is_canceled”］==0］。groupby（“meal”）［“meal”］。count（）
meal_data_n
結果：
meal
BB 57730
FB 320
HB 9475
SC 7486
Name： meal， dtype： int64
#預訂入住的訂單中，各餐型佔比情況
plt。pie（x=meal_data_n。values，labels=meal_data_n。index，autopct=“%。1f%%”）
plt。title（“預訂入住訂單的餐型佔比”）
#退訂的訂單中，各餐型佔比情況
plt。pie（x=meal_data_y。values，labels=meal_data_y。index，autopct=“%。1f%%”）
plt。title（“退訂訂單的餐型佔比”）
對比退訂和預訂入住的餐型佔比，基本一致，沒有太大的出入，所以餐型對預訂退訂的影響不大，排除是因提供的餐食而導致的退訂
③從“分銷渠道”考慮，影響退訂的可能性
#分銷渠道資料
channel_data = data_new［［“is_canceled”，“distribution_channel”，“hotel”］］
#取消訂單與分銷渠道的關係
cancel_channel_data = channel_data。groupby（［“is_canceled”，“distribution_channel”］）［“hotel”］。count（）。reset_index（）。rename（columns={“hotel”：“is_cancel_counts”}）
cancel_channel_data
#不同渠道的訂單量
all_channel_data = cancel_channel_data。groupby（“distribution_channel”）［“is_cancel_counts”］。sum（）
all_channel_data
結果：
distribution_channel
Corporate 6651
Direct 14611
GDS 193
TA/TO 97749
Undefined 5
Name： is_cancel_counts， dtype： int64
for i in all_channel_data。index：
cancel_num = cancel_channel_data［（cancel_channel_data［“is_canceled”］==1） & （cancel_channel_data［“distribution_channel”］==i）］［“is_cancel_counts”］
all_num = all_channel_data［i］
cancel_rate = cancel_num / all_num * 100
print（“%s渠道的退訂佔比：%。1f%%” % （i，cancel_rate））
結果：
Corporate渠道的退訂佔比：22。1%
Direct渠道的退訂佔比：17。5%
GDS渠道的退訂佔比：19。2%
TA/TO渠道的退訂佔比：41。1%
Undefined渠道的退訂佔比：80。0%
對比不同渠道的退訂佔比，發現“TA/TO”渠道的退訂佔比高，預訂入住量及取消量一半一半，可能是渠道分銷獎勵機制問題，導致該渠道的預訂資料有較大的水分，需進一步核實“TA/TO”渠道的分銷流程，及其中存在的問題
④從“預付定金”考慮，影響退訂的可能性
#預付定金資料
deposit_data = data_new［［“is_canceled”，“deposit_type”，“hotel”］］
#取消訂單與不同預付定金的關係
cancel_deposit_data = deposit_data。groupby（［“is_canceled”，“deposit_type”］）［“hotel”］。count（）。reset_index（）。rename（columns={“hotel”：“is_cancel_counts”}）
cancel_deposit_data
根據上表，客戶更偏愛無定金的預訂。但其中仍有大量預付定金的客戶選擇取消訂單，需進一步根據使用者畫像判斷該部分退訂客戶的屬性特徵，亦可結合退訂的時間分佈、位置分佈，分析退訂的原因
⑤從“提前預定的時間”考慮，影響退訂的可能性
#提前預定時長的資料
lead_data = data_new。groupby（“lead_time”）［“is_canceled”］。describe（）。sort_values（by=“mean”，ascending=False）
#剔除提前預定時長小於10的資料
lead_data_10 = lead_data［lead_data［“count”］>10］
#提前預定時長
x = lead_data_10。index
#對應取消數（按比例歸納值100以內）
y = round（lead_data_10［“mean”］，4）*100
plt。figure（figsize=（12，6））
sns。regplot（x=x，y=y）
plt。title（“提前預定時長對取消的影響”，fontsize=16）
plt。xlabel（“提前預定時長”，fontsize=16）
plt。ylabel（“取消數（%）”，fontsize=16）
根據資料分佈情況，整體有隨著“提前預定時長”的增加，“取消數”亦增加的規律，兩者呈現正相關。所以一般越早預定，也越容易取消。對於這部分影響，建議組織人員對預定日期為“淡季的客戶”提前再確認預定入住時間，同時根據優惠策略（提前入住時間越大，優惠越大）釋放讓利訊號，讓客戶主動提前預定入住的時間
⑥其他影響因素
cancel_corr = data_new。corr（）［“is_canceled”］。abs（）。sort_values（ascending=False）
cancel_corr
結果：
is_canceled 1。000000
lead_time 0。292885
total_of_special_requests 0。234871
required_car_parking_spaces 0。195700
booking_changes 0。144847
previous_cancellations 0。110141
is_repeated_guest 0。083744
adults 0。058180
previous_bookings_not_canceled 0。057365
days_in_waiting_list 0。054303
adr 0。047601
agent 0。046764
number_of_people 0。044826
babies 0。032568
stays_in_week_nights 0。025551
stays_nights_total 0。018565
arrival_date_week_number 0。008327
children 0。004853
stays_in_weekend_nights 0。001313
Name： is_canceled， dtype： float64
一般來說，相關係數大於0。8時，兩者間的相互影響越大
根據上表，影響取消數的主要屬性是：
lead_time：提前預定天數
total_of_special_requests：客戶提出的特殊要求的數量
required_car_parking_spaces：客戶要求的停車位數
booking_changes：對預訂所作的更改/修改的數目
previous_cancellations：客戶在當前預訂前取消的先前預訂數
五、資料建模
由於酒店的服務大多是預訂服務，需提前預約保留預約資訊。如果酒店的預約被取消，則可能存在隱性的問題，這時需要我們提前對退訂的訂單做預測，提前發現存在的問題
from sklearn。feature_extraction import DictVectorizer #標稱型特徵向量化
from sklearn。compose import ColumnTransformer #特徵列處理
from sklearn。pipeline import Pipeline #資料轉換、模型多步驟處理
from sklearn。impute import SimpleImputer #填充缺失值
from sklearn。preprocessing import StandardScaler， OneHotEncoder #標準化、向量化
from sklearn。model_selection import train_test_split， GridSearchCV #劃分訓練集、網路檢索（引數調優）
from sklearn。tree import DecisionTreeClassifier #決策樹
from sklearn。ensemble import RandomForestClassifier #隨機森林
from sklearn。linear_model import LogisticRegression #邏輯迴歸
其中建模的流程主要：
①特徵提取及預處理
②劃分樣本特徵和樣本結果
③劃分訓練集和測試集
④模型搭建並評估
⑤模型引數調優
①特徵提取、向量化、標準化
由於數值型特徵的單位量綱均不一樣，模型擬合時容易偏擬合，所以需要做歸一化處理，統一量綱，並保留資料規律
#數值型特徵標準化過程
num_feature = ［“lead_time”，“stays_nights_total”，“stays_in_weekend_nights”，“stays_in_week_nights”，“number_of_people”，“adults”，“children”，“babies”，“is_repeated_guest”，“previous_cancellations”，“previous_bookings_not_canceled”，“booking_changes”，“agent”，“days_in_waiting_list”，“adr”，“required_car_parking_spaces”，“total_of_special_requests”］
num_transformer = Pipeline（steps=［
（‘imputer’， SimpleImputer（strategy=‘median’）），
（‘scaler’， StandardScaler（））］）
在模型擬合時，模型無法對複雜的標稱型特徵做擬合，所以需要優先對該類資料進行向量化處理，轉化為模型容易辨識的數值型特徵
#標稱型特徵向量化過程
cat_feature = ［“hotel”，“meal”，“country”，“market_segment”，“distribution_channel”，“reserved_room_type”，“assigned_room_type”，“deposit_type”，“customer_type”］
cat_transformer = Pipeline（steps=［
（‘imputer’， SimpleImputer（strategy=‘constant’， fill_value=‘missing’）），
（‘onehot’， OneHotEncoder（handle_unknown=‘ignore’））］）
注意：由於DictVectorizer只能處理標稱型特徵變數，且處理量有限，不建議使用
數值型變數和標稱型變數同步於一個預處理器。
#數值型變數和標稱型變數分別做標準化、向量化預處理
preprocessor = ColumnTransformer（
transformers=［
（‘num’， num_transformer， num_feature），
（‘cat’， cat_transformer， cat_feature）］） #預處理器
②劃分樣本特徵和樣本結果
feature = num_feature + cat_feature
#樣本特徵
X = data_new。drop（“is_canceled”，axis=1）［feature］
#樣本結果
y = data_new［“is_canceled”］
③劃分訓練集和測試集
X_train， X_test， y_train， y_test = train_test_split（X， y， test_size=0。2）
④模型搭建並評估
由於電腦配置有限，暫時以決策樹、隨機森林、邏輯迴歸演算法做分類預測
base_models = ［（“DT_model”， DecisionTreeClassifier（random_state=42）），
（“RF_model”， RandomForestClassifier（random_state=42，n_jobs=-1）），
（“LR_model”， LogisticRegression（random_state=42，n_jobs=-1））］ #模型
for name，model in base_models：
clf = Pipeline（steps=［（‘preprocessor’， preprocessor），
（‘classifier’， model）］）
clf。fit（X_train， y_train）
score = clf。score（X_test， y_test）
print（“%s score： %。3f” % （name，score））
結果：
DT_model score： 0。855
RF_model score： 0。889
LR_model score： 0。813
模型選擇了決策樹、隨機森林和邏輯迴歸，分別對模型擬合效果評分，顯然“隨機森林”的評分0。889，擬合效果更好
⑤模型引數調優
引數調優可以使用GridSearchCV，但在引數數量選擇上，不建議太多，否則資料處理量太多，速度會很慢。對應該模型，引數選擇“n_estimators”：決策樹的量；“max_depth”：決策樹的深度（預剪枝）；“max_features”：選擇的最大特徵量
rf = RandomForestClassifier（）
#引數選擇
param_dict = {“n_estimators”：［100，150，200］，“max_depth”：［3，5，8，10，15］，“max_features”：［“auto”，“log2”］}
#網路搜尋調優器
rf_model = GridSearchCV（rf，param_grid=param_dict，cv=3）
#模型擬合
CLF = Pipeline（steps=［（‘preprocessor’， preprocessor），
（‘classifier’， rf_model）］）
CLF。fit（X_train， y_train）
不同模型引數下，最好的評分及其引數
CLF。best_score_
CLF。best_params_
由於處理速度有限，本次只使用一下引數調優
rf_model = RandomForestClassifier（n_estimators=160，
max_features=0。4，
min_samples_split=2，
n_jobs=-1，
random_state=0）
CLF = Pipeline（steps=［（‘preprocessor’， preprocessor），
（‘classifier’， rf_model）］）
CLF。fit（X_train， y_train）
CLF。score（X_test， y_test）
結果：
0。88562201157621
上一篇:如何為狗狗找回食慾？
