kurmyza_pavel_lab_5 is ready

kurmyza_pavel_lab_5/README.md

@@ -0,0 +1,53 @@
+# Лабораторная работа №5
+
+## ПИбд-41, Курмыза Павел
+
+Датасет по варианту: https://www.kaggle.com/datasets/jessemostipak/hotel-booking-demand.
+
+Данный набор данных содержит информацию о бронировании городской и курортной гостиниц и включает в себя такие
+сведения, как время бронирования, продолжительность пребывания, количество взрослых, детей и/или младенцев, количество
+свободных парковочных мест и т.д.
+
+## Как запустить ЛР
+
+- Запустить файл main.py
+
+## Используемые технологии
+
+- Язык программирования Python
+- Библиотеки: sklearn, numpy, pandas
+
+## Что делает программа
+
+Программа решает задачу кластеризации на выбранном датасете: выделение наиболее прибыльных посетителей отелей на основе
+их времени прибывания и средней цены одной ночи пребывания в отели. Решение достигается в несколько этапов:
+
+- Предобработка данных
+- Стандартизация данных и приведение их к виду, удобном для работы с моделями ML
+- Использование модели кластеризации K-средних
+- Визуализация полученных результатов и вывод
+
+## Тестирование
+
+Теперь мы рассмотрели задачу кластеризации K-средних, и проанализируем результаты каждого
+кластера, чтобы определить наиболее прибыльных клиентов в нашем наборе данных на основе времени выполнения заказа и ADR.
+Первая проблема, с которой мы сталкиваемся, когда хотим использовать кластеризацию с помощью K-средних, - это
+определение оптимального количества кластеров, которые мы хотим получить в качестве результатов. Поэтому сначала для
+определения количества кластеров мы использовали метод локтя:
+
+![Кластеры](clusters.jpg)
+
+Для определения оптимального количества кластеров необходимо выбрать значение k, после которого искажение начинает
+линейно уменьшаться. Таким образом, мы пришли к выводу, что оптимальное количество кластеров для данных равно 4. Поэтому
+мы запустили алгоритм K-средних на основе lead_time и ADR с количеством кластеров, равным 4, и вывели центры кластеров:
+
+![Центры кластеров](centers.jpg)
+
+## Вывод
+
+Наиболее прибыльными считаются клиенты с наименьшим временем пребывания и наибольшим ADR, т.е. клиенты, попавшие в
+зеленый кластер. В то время как красная категория показывает самый низкий ADR и самое высокое (наименее выгодное) время
+пребывания. В нашем случае после визуализации графика мы можем задать такие вопросы, как: почему у
+одних клиентов время пребывания меньше, чем у других? и есть ли вероятность, что клиенты в определенных странах
+соответствуют этому профилю? и т.д. На все эти вопросы алгоритм кластеризации K-средних может и не ответить напрямую,
+но сведение данных в отдельные кластеры обеспечивает надежную основу для постановки подобных вопросов.

kurmyza_pavel_lab_5/main.py

@@ -0,0 +1,81 @@
+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()