kurmyza_pavel_lab_5/README.md

@@ -1,53 +0,0 @@
-# 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

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