DS_project1 分析了2016年的西雅图Airbnb房源数据 目录 装置 该代码将在python 3中顺利运行。如果尚未安装，请安装ipynb以使用笔记本中的自定义功能。 pip install ipynb 项目动机 在这个项目中，我使用Seattle清单和日历数据来回答以下问题： 在不同的社区中注册了多少个列表？ 不同地区的价格和清洁费有多少差异？ 不同物业类型的价格和清洁费会有多少差异？ 不同房型的价格和清洁费有多少不同？ 价格在一年中如何变化（月和价格） 价格在月中如何变化（星期

目录 安装 项目动机 档案说明 结果 许可，作者，致谢 安装 本研究中使用的库是熊猫，numpy，matplotlib，seaborn和大叶草。 使用Python 3，代码应该可以正常运行。 项目动机 在这个项目中，我使用了波士顿Airbnb房源的kaggle数据集。 我有兴趣寻找以下问题的答案： 诸如浴室数量之类的独立功能如何影响Airbnb房源的总价格？ 哪些设施对标价的影响最大？ 哪个街区的房源最少/价格最高？ 哪些功能最不利地预测Airbnb上市价格？ 档案说明 本研究使用了1个

内容 AIRBNB数据集分析 我们的研究 纽约市AirBnb租赁数据于2017年10月包含有关airbnb列表的信息。 它的位置由纬度和经度以及附近的自治市镇决定。 它也有其每晚的价格，数量的卧室，浴室等。 我们研究的目的是探索由Airbnb列表产生的数据，并寻找可能导致Airbnb成功的因素。 此外，找出是否可以找到任何模式并预测清单的位置和价格。 根据我们的预测，我们构建了机器学习模型，以帮助正在考虑租房的人们更好地了解挂牌价格。 技术栈 在此分析中，我们使用python作为主要的编程语言

初步探索 在我的初步探索中，我的目标是确定与我的分析相关的和/或需要进行后续建模工作的额外清洁/处理的关键特征。 使用names（），str（）和summary（）函数手动运行每个变量后，我确定了一些变量以进行分析以缩小范围，并将其包含在完整的mod中以进行初始功能选择。 有许多变量重复相同的信息（例如，社区，智能位置，城市，州等），为此，我只将变量信息最细化（即，对社区进行了清洁）的变量包括在内，以进行逐步选择。我的模型制作。 此外，对于我的特征选择的完整mod参数，仅删除了一个因子水平的变量