82 lines
3.8 KiB
Python
82 lines
3.8 KiB
Python
|
import pandas as pd
|
|||
|
|
from sklearn.model_selection import train_test_split
|
|||
|
|
import datetime as dt
|
|||
|
|
import matplotlib.pyplot as plt
|
|||
|
|
import seaborn as sns
|
|||
|
|
from sklearn.preprocessing import LabelEncoder
|
|||
|
|
import sklearn.cluster as cluster
|
|||
|
|
|
|||
|
|
# Чтение данных датасета
|
|||
|
|
df = pd.read_csv('hotel_bookings.csv')
|
|||
|
|
|
|||
|
|
# Удаление строк, содержащих отсутствующие значения
|
|||
|
|
df = df[df['children'].notna()]
|
|||
|
|
df = df[df['country'].notna()]
|
|||
|
|
|
|||
|
|
# Объединение столбцов 'arrival_date_year', 'arrival_date_month', 'arrival date day_of_month' в столбец
|
|||
|
|
# 'arrival_date', содержащий день, месяц и год приезда клиента в формате datetime
|
|||
|
|
df["arrival_date_month"] = pd.to_datetime(df['arrival_date_month'], format='%B').dt.month
|
|||
|
|
df["arrival_date"] = pd.to_datetime({"year": df["arrival_date_year"].values,
|
|||
|
|
"month": df["arrival_date_month"].values,
|
|||
|
|
"day": df["arrival_date_day_of_month"].values})
|
|||
|
|
df = df.drop(columns=['arrival_date_year', 'arrival_date_month', 'arrival_date_day_of_month'])
|
|||
|
|
|
|||
|
|
# Преобразование типа столбца reservation_status_date в datetime
|
|||
|
|
df["reservation_status_date"] = pd.to_datetime(df["reservation_status_date"], format='%Y-%m-%d')
|
|||
|
|
|
|||
|
|
# Заполнение нулевых значений в столбцах средним значением каждого столбца
|
|||
|
|
for column in ['agent', 'company', 'arrival_date']:
|
|||
|
|
df[column] = df[column].fillna(df[column].mean())
|
|||
|
|
|
|||
|
|
# Удаляем повторяющиеся значения
|
|||
|
|
df.drop_duplicates(inplace=True)
|
|||
|
|
|
|||
|
|
# Преобразование категориальных переменных в числовые переменные для того, чтобы модель могла с ними работать
|
|||
|
|
categoricalV = ["hotel", "meal", "country", "market_segment", "distribution_channel", "reserved_room_type",
|
|||
|
|
"assigned_room_type", "deposit_type", "customer_type"]
|
|||
|
|
df[categoricalV[1:11]] = df[categoricalV[1:11]].astype('category')
|
|||
|
|
|
|||
|
|
df[categoricalV[1:11]] = df[categoricalV[1:11]].apply(lambda x: LabelEncoder().fit_transform(x))
|
|||
|
|
|
|||
|
|
df['hotel_Num'] = LabelEncoder().fit_transform(df['hotel'])
|
|||
|
|
|
|||
|
|
df['numerical_larrival_date'] = df['arrival_date'].map(dt.datetime.toordinal)
|
|||
|
|
df['numerical_reservation_status_date'] = df['reservation_status_date'].map(dt.datetime.toordinal)
|
|||
|
|
|
|||
|
|
df["is_canceled"].replace({'not canceled': 0, 'canceled': 1}, inplace=True)
|
|||
|
|
df["reservation_status"].replace({'Canceled': 0, 'Check-Out': 1, 'No-Show': 2}, inplace=True)
|
|||
|
|
|
|||
|
|
# Определение входных и выходных значений
|
|||
|
|
usefull_columns = df.columns.difference(['hotel', 'hotel_Num', 'arrival_date', 'reservation_status_date'])
|
|||
|
|
X = df[usefull_columns]
|
|||
|
|
Y = df["hotel_Num"].astype(int)
|
|||
|
|
|
|||
|
|
# Деление данных на тестовую и обучающую выборки
|
|||
|
|
X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=0.3, random_state=150)
|
|||
|
|
|
|||
|
|
# Определение оптимального количества кластеров
|
|||
|
|
df_Short = df[['lead_time', 'adr']]
|
|||
|
|
|
|||
|
|
K = range(1, 12)
|
|||
|
|
wss = []
|
|||
|
|
for k in K:
|
|||
|
|
kmeans = cluster.KMeans(n_clusters=k, init="k-means++")
|
|||
|
|
kmeans = kmeans.fit(df_Short)
|
|||
|
|
wss_iter = kmeans.inertia_
|
|||
|
|
wss.append(wss_iter)
|
|||
|
|
|
|||
|
|
mycenters = pd.DataFrame({'Clusters': K, 'WSS': wss})
|
|||
|
|
|
|||
|
|
sns.scatterplot(x='Clusters', y='WSS', data=mycenters, marker="+")
|
|||
|
|
|
|||
|
|
# Решение задачи кластеризации с использованием K-Means
|
|||
|
|
kmeans = cluster.KMeans(n_clusters=4, init="k-means++")
|
|||
|
|
kmeans = kmeans.fit(df[['lead_time', 'adr']])
|
|||
|
|
df['Clusters'] = kmeans.labels_
|
|||
|
|
|
|||
|
|
# Визуализируем кластеры
|
|||
|
|
sns.lmplot(x="lead_time", y="adr", hue='Clusters', data=df)
|
|||
|
|
plt.ylim(0, 600)
|
|||
|
|
plt.xlim(0, 800)
|
|||
|
|
plt.show()
|