数据挖掘-10-酒店预订需求（包含数据和代码）

0. 数据代码下载

关注公众号：『AI学习星球』
回复：酒店预订需求 即可获取数据下载。
算法学习、4对1辅导、论文辅导或核心期刊可以通过公众号或?v：codebiubiu滴滴我

---

1. 业务梳整

本次“酒店预订需求”项目主要通过Python做预处理，分析酒店的房型供给、不同时间段的需求变化、最核心的消费群体、影响退订的因素，并利用分类算法建立酒店订单退订的预测模型。

整体分析流程如下：

1. 提出问题
2. 查看并理解数据
3. 数据清洗
4. 数据挖掘及可视化
5. 数据建模

2. 提出问题

该项目为酒店线上预订业务的研究内容，从酒店运营角度，主要关心酒店的整体线上预订量如何，退订量有多少，造成这些退订的因素有哪些，可以怎么提升预订入住率；从客户体验角度，主要关心哪些房型的预订量较高（有所偏爱），客户的复定率怎么样，客户的预订入住频率、消费金额、消费近度怎样，是否为重要价值客户，重点跟进维护。

针对这个项目主要围绕下面三个问题进行分析：

1. 哪些房型的入住率最高，找出最受欢迎的房型，优化酒店房型分配

2. 客户入住晚数的需求分布情况怎样，哪些的需求量最大，并统计出这些用户偏爱入住的房型

3. 用户为何取消预订，哪些因素与此最相关，我们如何判断一个预订订单被取消的可能性

3. 数据处理

3.1 数据导入

#导入相关的库，方便后续调用
import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
plt.rcParams["font.sans-serif"] = ["SimHei"]
plt.rcParams["font.serif"] = ["SimHei"]
%matplotlib inline

#读取数据
hotel_data = pd.read_csv('hotel_bookings.csv')

#查看数据的基本信息
hotel_data.info()

数据集总计有32个字段，119389行数据，有比较明显的缺失值company，另arrival_date_等可能需合并，并转化为日期格式。

#查看并理解数据
hotel_data.head()

3.2 字段说明

字段名称	字段含义
hotel	酒店类型：city hotel（城市酒店），resort hotel（度假酒店）
is_canceled	订单是否取消：1（取消），0（没有取消）
lead_time	下单日期到抵达酒店日期之间间隔的天数
arrival_date_year	抵达年份：2015、2016、2017
arrival_date_month	抵达月份：1月-12月
arrival_date_day_of_month	抵达日期：1-31日
arrival_date_week_number	抵达的年份周数：第1-72周
stays_in_weekend_nights	周末（星期六或星期天）客人入住或预定入住酒店的次数
stays_in_week_nights	每周晚上（星期一至星期五）客人入住或预定入住酒店的次数
adults	成年人数
children	儿童人数
babies	婴儿人数
meal	预定的餐型：SC\BB\HB\FB
country	原国籍
marked_segment	细分市场
distribution_channel	预定分销渠道
is_repeated_guest	订单是否来自老客户（以前预定过的客户）：1（是），0（否）
previous_cancellations	客户在当前预定前取消的先前预定数
previous_bookings_not_canceled	客户在本次预定前未取消的先前预定数
reserved_room_type	给客户保留的房间类型
assigned_room_type	客户下单时指定的房间类型
booking_changes	从预定的PMS系统中输入之日起至入住或取消之日止，对预定所作的更改/修改的数目
deposit_type	预定定金类型，是否可以退还：No Deposit（无订金），Non Refund（不可退），Refundable（可退）
agent	预定的旅行社
company	下单的公司（由它付钱）
days_in_waiting_list	订单被确定前，需要等待的天数
customer_type	客户类型
adr	平均每日收费，住宿期间的所有交易费用之和/住宿晚数
required_car_parking_spaces	客户要求的停车位数
total_of_special_requests	客户提出的特殊要求的数量（例如：双人床或高层）
reservation_status	订单的最后状态：canceled（订单取消），Check-Out（客户已入住并退房），No-show（客户没有出现，并且告知酒店原因）

目前该数据集是32个字段，根据Kaggle对各个字段的解释，整理出该表。

关注公众号：『AI学习星球』
回复：酒店预订需求 即可获取数据下载。
算法学习、4对1辅导、论文辅导或核心期刊可以通过公众号或?v：codebiubiu滴滴我

4. 数据清洗

4.1 缺失值处理

# 统计缺失值
hotel_data.isnull().sum()

#统计缺失率
hotel_data.isnull().sum()/hotel_data.shape[0]

数据的缺失值主要存在于children,country,agent,company4个字段，缺失最多的是company

1. children缺失4个，且为数值型变量，所以用中位数填充
2. country缺失488个，且为类别型变量，所以使用众数填充
3. agent缺失16340个，缺失率为13.6%，缺失数量较大，但agent表示预订的旅行社，且缺失率小于20%，建议保留，并用0填充，表示没有旅行社ID
4. company缺失112593个，缺失率为94.3%>80%,不具备信息价值有效性，所以直接删除

#复刻样本数据，不对数据源做处理
data_new = hotel_data.copy()

# 处理company字段，直接删除
data_new.drop("company",axis=1,inplace=True)

# 处理children字段，中位数填充
data_new.children.fillna(data_new.children.median(), inplace=True)

# 处理country字段，众数填充
data_new.country.fillna(data_new.country.mode()[0],inplace=True)

# 处理agent字段，0值填充
data_new.agent.fillna(0, inplace=True)

注意每次做完数据清洗需要对该清洗进行检验，此处由于篇幅做省略

4.2 重复值处理

由于该数据集是酒店的每个预订记录，没有对应主键，可能存在重复值，暂不做重复处理
备：

data_new.duplicated().sum()：查询重复量

data_new[data_new.duplicated()==True]：查询重复值

若有重复值，可以使用data_new.drop_duplicates()，删除重复行

4.3 异常值处理

可以看出小孩的入住量、旅行社代理入住的量均不能是浮点数，需要统一规划为整型数据

# children、agent字段不可能为浮点数，需修改数据类型
data_new.children = data_new.children.astype(int)
data_new.agent = data_new.agent.astype(int)

meal里总计有5种餐型，其中Undefined / SC –无餐套餐为一类，需统一替换为SC类

# 根据原数据集介绍，餐饮字段中的Undefined / SC –无餐套餐为一类
data_new.meal.replace("Undefined", "SC", inplace=True)

数据集中adults,children,babies字段均为0，即同一订单下，预订入住的人数不能为0，需剔除处理

#查看异常值
data_new.describe()
#删除异常值的行
zero_guests = list(data_new["adults"] + data_new["children"] + data_new["babies"] == 0)
data_new.drop(data_new.index[zero_guests],inplace=True)

酒店平均每日收费有一个大于5000的离群值，会严重影响描述性统计，需删除离群值

#核实adr变量的离群值情况
sns.boxplot(x=data_new['adr'])
#删除离群值
data_new = data_new[data_new["adr"]<5000]

关注公众号：『AI学习星球』
回复：酒店预订需求 即可获取数据下载。
算法学习、4对1辅导、论文辅导或核心期刊可以通过公众号或?v：codebiubiu滴滴我

5. 数据挖掘及可视化

考虑数据集中部分字段结构冗余，整体数据量较大，需做统一合并处理

arrival_date_month抵达的月份为英文格式，与抵达的年、日格式不符

#修改arrival_date_month的英文月份为中文月份
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_抵达的年月日，结构单一，建议合并

#增加一列预订到店的年月日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)

统计stays_in_ _nights入住的晚数

#增加一列总住宿晚数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)

统计每单入住人数adults+children+babies

#增加一列住宿人数number_of_people
nums_peoples = data_new.adults + data_new.children + data_new.babies
data_new.insert(12,"number_of_people",nums_peoples)

5.1 指标分析

a. 预定量怎么样

#不同酒店的预订数
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

数据集收录了2015.7.1至2017.8.29期间的所有预定数据，划分为City Hotel(城市酒店)和Resort Hotel(度假酒店)。在不考虑酒店退订的情况下，城市酒店的预订量占比66.41%，是度假酒店预订量的2倍

b. 预定入住率怎么样

#核实总的预订入住率
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("该数据的总预订入住率：",check_in_rate)
print("相应的总预订取消率：",canceled_rate)

结果：
该数据的总预订入住率： 62.96%
相应的总预订取消率： 37.04%

统计整体的预订入住情况，总的预订入住率还是只停留在62.96%，取消情况会在后续的影响因素分析中进一步挖掘

#度假酒店预订入住情况
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()})
#城市酒店预订入住情况
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()})

#不同酒店类型预订入住率
iscancel_data = pd.concat([rh_cancel_data,ch_cancel_data],ignore_index=True)
iscancel_data

城市酒店的总预订量大，但同时预订取消率也不低，主要是因为城市酒店的主要用户群是商务差旅的用户，往往具有紧急性及未规划性，酒店的预订在未规划及深入了解酒店状态情况下，容易盲目预订、退订，所以退订率高，建议在在渠道平台增加“附近优选”功能，通过输入地址，自动筛选推荐附近城市酒店的入住率高、复住率高、评价高等高品质回馈的城市酒店，一方面能为用户提供更高效便捷的推荐服务，另一方面也促使平台渠道优化服务内容

c. 老客户的复定率怎么样

#核实总的复定率
reversal_book_rate = str(round(data_new.groupby("is_repeated_guest")["is_repeated_guest"].count()[1]/data_new.shape[0]*100,2))+"%"
print("该数据的总复定率：",reversal_book_rate)

该数据的总复定率： 3.19%

#不同酒店类型的复住率
data_rb = data_new.groupby(["hotel","is_repeated_guest"])["hotel"].count()
print("城市酒店的复定率：",data_rb["City Hotel",1]/data_rb["City Hotel"].sum())
print("城市酒店的复定率：",data_rb["Resort Hotel",1]/data_rb["Resort Hotel"].sum())

城市酒店的复定率： 0.02497410373664132
城市酒店的复定率： 0.04439783254675756

城市酒店和度假酒店的复定率均不高，在3%左右，均是自然客流带来的业务，没有较强的粘性.建议：梳理预订入住流程及服务质量反馈渠道，改善提升服务质量；同时在预订分销渠道(如小程序、小视频、各大软文平台、官网)平台植入相关软文，增加曝光量，相应的收集分析看官们的信息抵达率、信息点击率、优惠参与率、软文-消费页面跳转率、最终消费转化率等系列数据，归纳分类高价值渠道、高价值客户，根据活动针对性的提升高价值渠道、高价值客户的投入占比。

5.2 问题分析

#返回酒店列的统计值
data_new["hotel"].value_counts()
#划分城市酒店及度假酒店的数据集
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)]

由于后续均是针对不同酒店进行比较，所以这里会划分度假酒店和城市酒店的数据，同时剔除已经取消的订单记录

问题1

哪些房型的入住率最高，找出最受欢迎的房型，优化酒店房型分配

#统计不同酒店、不同房型的入住情况
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"})
#酒店标识
rh_room["hotel"] = "度假酒店"
ch_room["hotel"] = "城市酒店"
#合并
all_room = pd.concat([ch_room,rh_room],ignore_index=True)
all_room

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("不同房型的入住数量",fontsize=16)
plt.xlabel("房型",fontsize=16)
plt.ylabel("入住数",fontsize=16)
plt.legend(loc="upper right")
plt.show()

酒店的A和D房型的预订入住量均明显高于其他房型，是后续主推的房型，也是主要的房型优化对象；其余B、C、F、G、H、L房型均没有太多的预订入住量，可以适当调整房型占比，最大化入住率；另度假酒店E房型的的预订入住量数量也不少，可能是酒店的高级套房（带观景台）

结合时间序列，划分为四季，统计分析四季不同酒店类型的入住量变化情况

#对月份进行映射，得到对应的季节
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)
#结合时序分析不同酒店、房型在四季的入住情况
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"])

城市酒店的随着季节变化比较明显，春夏秋三季的入住量不断攀升，在夏季达到高峰，而在冬季的客流量则有所缩减；度假酒店的话，则春夏秋季基本保持平稳，凛冬客流减少

问题2

客户入住晚数的需求分布情况怎样，哪些的需求量最大，并统计出这些用户偏爱入住的房型

#统计不同酒店类型每一单的入住居住晚数
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"]
#统计不同入住晚数的计量
rh_nights_count = rh["total_nights"].value_counts().reset_index().rename(columns={"index":"入住晚数","total_nights":"入住计量"})
ch_nights_count = ch["total_nights"].value_counts().reset_index().rename(columns={"index":"入住晚数","total_nights":"入住计量"})
rh_nights_count["hotel"] = "度假酒店"
ch_nights_count["hotel"] = "城市酒店"
#合并
all_nights_count = pd.concat([rh_nights_count,ch_nights_count],ignore_index=True)
all_nights_count

plt.figure(figsize=(18,6))
sns.barplot(x="入住晚数",y="入住计量",hue="hotel",data=all_nights_count,hue_order=["城市酒店","度假酒店"])
plt.title("住房天数分布",fontsize=16)
plt.xlabel("入住晚数",fontsize=16)
plt.ylabel("入住晚数计量",fontsize=16)
plt.legend(loc="upper right")

根据入住晚数的统计分析，酒店入住晚数大量分布在1-3晚；同时度假酒店在“7晚预订”上也比较受欢迎，可能是优惠策略带来的正面影响

#度假酒店“7晚预订”的客户偏爱的房型
rh[rh["total_nights"]==7].groupby("reserved_room_type")["hotel"].count()

度假酒店“7晚预订”的客户还是比较偏爱A、D、E房型，整体分布没有太大变化

问题3

用户为何取消预订，哪些因素与此最相关，我们如何判断一个预订订单被取消的可能性

① 从“预订房型与提供房型是否一样”考虑，影响退订的可能性

#预订房型和给定房型的数据
assigned_data = data_new[["is_canceled","reserved_room_type","assigned_room_type"]]
#判断预订房型和给定房型是否一致
assigned_data["equal"] = np.where(assigned_data["reserved_room_type"]==assigned_data["assigned_room_type"],1,0)
#统计一致量
assigned_data["equal"].value_counts()

在预订房型和给定房型的差别上，仍有14796单无法满足客户入住需求

#取消订单与房型一致性的关系
assigned_data.groupby(["is_canceled","equal"])["reserved_room_type"].count()

在取消的订单中，预订房型与提供房型不一致的数量有802单，占比取消订单总数的1%，占比如此低，所以不是客户退订的主要因素

②从“提供的餐型”考虑，影响退订的可能性

#餐型数据
meal_data = data_new[["is_canceled","meal"]]
#y表示取消订单，n表示未取消订单，不同餐型的计量
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

#预订入住的订单中，各餐型占比情况
plt.pie(x=meal_data_n.values,labels=meal_data_n.index,autopct="%.1f%%")
plt.title("预订入住订单的餐型占比")

#退订的订单中，各餐型占比情况
plt.pie(x=meal_data_y.values,labels=meal_data_y.index,autopct="%.1f%%")
plt.title("退订订单的餐型占比")

对比退订和预订入住的餐型占比，基本一致，没有太大的出入，所以餐型对预订退订的影响不大，排除是因提供的餐食而导致的退订

③从“分销渠道”考虑，影响退订的可能性

#分销渠道数据
channel_data = data_new[["is_canceled","distribution_channel","hotel"]]
#取消订单与分销渠道的关系
cancel_channel_data = channel_data.groupby(["is_canceled","distribution_channel"])["hotel"].count().reset_index().rename(columns={"hotel":"is_cancel_counts"})
cancel_channel_data

#不同渠道的订单量
all_channel_data = cancel_channel_data.groupby("distribution_channel")["is_cancel_counts"].sum()
all_channel_data

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渠道的退订占比：%.1f%%" % (i,cancel_rate))

对比不同渠道的退订占比，发现"TA/TO"渠道的退订占比高，预订入住量及取消量一半一半，可能是渠道分销奖励机制问题，导致该渠道的预订数据有较大的水分，需进一步核实“TA/TO”渠道的分销流程，及其中存在的问题

④从“预付定金”考虑，影响退订的可能性

#预付定金数据
deposit_data = data_new[["is_canceled","deposit_type","hotel"]]
#取消订单与不同预付定金的关系
cancel_deposit_data = deposit_data.groupby(["is_canceled","deposit_type"])["hotel"].count().reset_index().rename(columns={"hotel":"is_cancel_counts"})
cancel_deposit_data

根据上表，客户更偏爱无定金的预订。但其中仍有大量预付定金的客户选择取消订单，需进一步根据用户画像判断该部分退订客户的属性特征，亦可结合退订的时间分布、位置分布，分析退订的原因

⑤从“提前预定的时间”考虑，影响退订的可能性

#提前预定时长的数据
lead_data = data_new.groupby("lead_time")["is_canceled"].describe().sort_values(by="mean",ascending=False)
#剔除提前预定时长小于10的数据
lead_data_10 = lead_data[lead_data["count"]>10]
#提前预定时长
x = lead_data_10.index
#对应取消数（按比例归纳值100以内）
y = round(lead_data_10["mean"],4)*100

plt.figure(figsize=(12,6))
sns.regplot(x=x,y=y)
plt.title("提前预定时长对取消的影响",fontsize=16)
plt.xlabel("提前预定时长",fontsize=16)
plt.ylabel("取消数（%）",fontsize=16)

根据数据分布情况，整体有随着“提前预定时长”的增加，“取消数”亦增加的规律，两者呈现正相关。所以一般越早预定，也越容易取消。对于这部分影响，建议组织人员对预定日期为“淡季的客户”提前再确认预定入住时间，同时根据优惠策略（提前入住时间越大，优惠越大）释放让利信号，让客户主动提前预定入住的时间

⑥其他影响因素

cancel_corr = data_new.corr()["is_canceled"].abs().sort_values(ascending=False)
cancel_corr

一般来说，相关系数大于0.8时，两者间的相互影响越大

根据上表，影响取消数的主要属性是：

• lead_time:提前预定天数
• total_of_special_requests:客户提出的特殊要求的数量
• required_car_parking_spaces:客户要求的停车位数
• booking_changes:对预订所作的更改/修改的数目
• previous_cancellations:客户在当前预订前取消的先前预订数

关注公众号：『AI学习星球』
回复：酒店预订需求 即可获取数据下载。
算法学习、4对1辅导、论文辅导或核心期刊可以通过公众号或?v：codebiubiu滴滴我

6. 数据建模

由于酒店的服务大多是预订服务，需提前预约保留预约信息。如果酒店的预约被取消，则可能存在隐性的问题，这时需要我们提前对退订的订单做预测，提前发现存在的问题

from sklearn.feature_extraction import DictVectorizer   #标称型特征向量化
from sklearn.compose import ColumnTransformer   #特征列处理
from sklearn.pipeline import Pipeline   #数据转换、模型多步骤处理
from sklearn.impute import SimpleImputer   #填充缺失值
from sklearn.preprocessing import StandardScaler, OneHotEncoder   #标准化、向量化
from sklearn.model_selection import train_test_split, GridSearchCV   #划分训练集、网络检索（参数调优）
from sklearn.tree import DecisionTreeClassifier   #决策树
from sklearn.ensemble import RandomForestClassifier   #随机森林
from sklearn.linear_model import LogisticRegression   #逻辑回归

其中建模的流程主要：

1. 特征提取及预处理
2. 划分样本特征和样本结果
3. 划分训练集和测试集
4. 模型搭建并评估
5. 模型参数调优

①特征提取、向量化、标准化

由于数值型特征的单位量纲均不一样，模型拟合时容易偏拟合，所以需要做归一化处理，统一量纲，并保留数据规律

#数值型特征标准化过程
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())])

在模型拟合时，模型无法对复杂的标称型特征做拟合，所以需要优先对该类数据进行向量化处理，转化为模型容易辨识的数值型特征

#标称型特征向量化过程
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：由于DictVectorizer只能处理标称型特征变量，且处理量有限，不建议使用

数值型变量和标称型变量同步于一个预处理器。

#数值型变量和标称型变量分别做标准化、向量化预处理
preprocessor = ColumnTransformer(
    transformers=[
        ('num', num_transformer, num_feature),
        ('cat', cat_transformer, cat_feature)])   #预处理器

②划分样本特征和样本结果

feature = num_feature + cat_feature
#样本特征
X = data_new.drop("is_canceled",axis=1)[feature]
#样本结果
y = data_new["is_canceled"]

③划分训练集和测试集

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

④模型搭建并评估

由于电脑配置有限，暂时以决策树、随机森林、逻辑回归算法做分类预测

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))

模型选择了决策树、随机森林和逻辑回归，分别对模型拟合效果评分，显然“随机森林”的评分0.889，拟合效果更好

⑤模型参数调优

参数调优可以使用GridSearchCV，但在参数数量选择上，不建议太多，否则数据处理量太多，速度会很慢。对应该模型，参数选择"n_estimators"：决策树的量；“max_depth”：决策树的深度（预剪枝）；“max_features”：选择的最大特征量

rf = RandomForestClassifier()
#参数选择
param_dict = {"n_estimators":[100,150,200],"max_depth":[3,5,8,10,15],"max_features":["auto","log2"]}
#网络搜索调优器
rf_model = GridSearchCV(rf,param_grid=param_dict,cv=3)
#模型拟合
CLF = Pipeline(steps=[('preprocessor', preprocessor),
                      ('classifier', rf_model)])
CLF.fit(X_train, y_train)

不同模型参数下，最好的评分及其参数

CLF.best_score_
CLF.best_params_

由于处理速度有限，本次只使用一下参数调优

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)

结果：
0.88562201157621

---

关注公众号：『AI学习星球』
回复：酒店预订需求 即可获取数据下载。
算法学习、4对1辅导、论文辅导或核心期刊可以通过公众号或?v：codebiubiu滴滴我