뉴욕시 Airbnb 데이터를 활용한 탐색적 자료 분석 2 (with Python)

# 도넛 차트 생성하기
fig = go.Figure(data = [go.Pie(labels = percentByRegion.index, values = percentByRegion, hole = .3)])

# 도넛 차트 꾸미기
fig.update_traces(textinfo = 'percent + label', marker = dict(colors = ['#636EFA','#EF553B','#00CC96','#AB63FA','#FFA15A'], line = dict(color='#FFFFFF', width=2)))

# 레이아웃 업데이트
fig.update_layout(showlegend = False)

# 차트 출력
fig.show()

price = airbnbData.loc[:, 'price']
meanPrice = np.mean(price)
roundedMean = round(meanPrice, 2)
print('평균 임대 가격 : US$', roundedMean)
----------------------------------------------
평균 임대 가격 : US$ 152.72

standardDeviation = np.std(price)
roundedStdDev = round(standardDeviation, 2)
print('가격의 표준 편차 : US$', roundedStdDev)
--------------------------------------------------
가격의 표준 편차 : US$ 240.15

minimumPrice = np.min(price)
print('최소 임대 가격 : US$', minimumPrice)
-----------------------------------------------
최소 임대 가격 : US$ 0

maximumPrice = np.max(price)
print('최대 임대 가격 : US$', maximumPrice)
------------------------------------------------
최대 임대 가격 : US$ 10000

plt.figure(figsize=(10, 6))
sns.histplot(airbnbData, x = 'price', bins = "doane", kde = False, color = 'blue')
plt.title('Rend Distribution')
plt.xlabel('Price')
plt.ylabel('Frequency')
plt.show()

plt.figure(figsize=(10, 6))
sns.histplot(airbnbData[airbnbData['price'] <= 1000], x = 'price', bins = "doane", kde = False, color = 'blue')
plt.title('Rend Distribution')
plt.xlabel('Price')
plt.ylabel('Frequency')
plt.show()

plt.figure(figsize=(10, 6))
sns.histplot(airbnbData[airbnbData['price'] <= 800], x = 'price', binwidth = 50, kde = False, color = 'blue')
plt.title('Distribution of Rental Prices')
plt.xlabel('Price')
plt.ylabel('Frequency')
plt.xticks(np.arange(0, 801, 50))
plt.show()

# 리뷰에 대한 통계
reviews = airbnbData.loc[: , 'number_of_reviews']

maxReviews = np.max(reviews)
print('단일 부동산에 대한 최대 리뷰 수: ', maxReviews)

minReviews = np.min(reviews)
print('단일 부동산에 대한 최소 리뷸 수: ', minReviews)

averageReviews = np.mean(reviews)
print('단일 부동산에 대한 평균 리뷰 수는 ', int(averageReviews), '입니다.')

stdDevReviews = np.std(reviews)
print('단일 부동산에 대한 리뷰 수에 대한 표준편차는 ', int(stdDevReviews), '입니다.')
----------------------------------------------------------------------------------------
단일 부동산에 대한 최대 리뷰 수:  629
단일 부동산에 대한 최소 리뷸 수:  0
단일 부동산에 대한 평균 리뷰 수는  23 입니다.
단일 부동산에 대한 리뷰 수에 대한 표준편차는  44 입니다.

plt.figure(figsize=(10, 6))
sns.histplot(airbnbData[airbnbData['number_of_reviews'] <= 100], x = 'number_of_reviews', binwidth = 5, kde = False, color = 'blue')
plt.title('Distribution of Number of Reviews')
plt.xlabel('Number of Reviews')
plt.ylabel('Frequency')
plt.xticks(np.arange(0, 101, 5))
plt.yticks(np.arange(0, 24001, 2000))
plt.show()

# 변수 할당
minimumNights = airbnbData.loc[:, 'minimum_nights']

maxMinimumNights = np.max(minimumNights)
print('단일 부동산에 대한 최소 숙박일수의 최대값은 ', int(maxMinimumNights), '입니다.')

minMinimumNights = np.min(minimumNights)
print('단일 부동산에 대한 최소 숙박일수의 최소값은 ', int(minMinimumNights), '입니다.')

averageMinimumNights  = np.mean(minimumNights)
print('단일 부동산에 대한 최소 숙박일수의 평균값은 ', int(averageMinimumNights), '입니다.')

stdDevMinimumNights  = np.std(minimumNights)
print('단일 부동산에 대한 최소 숙박일수의 표준편차는 ', int(stdDevMinimumNights), '입니다.')
-------------------------------------------------------------------------------------------
단일 부동산에 대한 최소 숙박일수의 최대값은  1250 입니다.
단일 부동산에 대한 최소 숙박일수의 최소값은  1 입니다.
단일 부동산에 대한 최소 숙박일수의 평균값은  7 입니다.
단일 부동산에 대한 최소 숙박일수의 표준편차는  20 입니다.

plt.figure(figsize = (10, 6))
sns.histplot(airbnbData[airbnbData['minimum_nights'] <= 30], x = 'minimum_nights', binwidth=1, kde=False, color='blue')
plt.title('Distribution of Minimum Nights')
plt.xlabel('Minimum Nights')
plt.ylabel('Frequency')
plt.xticks(np.arange(0, 31, 1))
plt.show()

propertiesHosts = airbnbData.loc[:, 'calculated_host_listings_count']

averagePropertiesHosts = np.mean(propertiesHosts)
print('호스트당 평균 부동산 보유 수 :', int(averagePropertiesHosts))

stdDevPropertieshosts = np.std(propertiesHosts)
print('호스트당 부동산 소유 수의 표준 편차 :', int(stdDevPropertieshosts))

medianPropertiesHosts = np.median(propertiesHosts)
print('호스트당 부동산 소유 수의 중위 수 : ', int(medianPropertiesHosts))

maxPropertiesHosts = np.max(propertiesHosts)
print('호스트당 부동산 소유 수의 최대값 :', int(maxPropertiesHosts))

minPropertiesHosts = np.min(propertiesHosts)
print('호스트당 부동산 소유 수의 최소값:', int(minPropertiesHosts))
---------------------------------------------------------------------------------
호스트당 평균 부동산 보유 수 : 7
호스트당 부동산 소유 수의 표준 편차 : 32
호스트당 부동산 소유 수의 중위 수 :  1
호스트당 부동산 소유 수의 최대값 : 327
호스트당 부동산 소유 수의 최소값: 1

# 데이터 라벨이 있는 최대 10개의 부동산을 소유하고 있는 호스트에 대한 Seaborn 히스토그램

# 한글 깨짐 현상 방지를 위한 폰트 설정
plt.rcParams['font.family'] = 'Malgun Gothic'

plt.figure(figsize = (10, 6))
ax = sns.histplot(airbnbData[airbnbData['calculated_host_listings_count'] <= 10], x = 'calculated_host_listings_count', binwidth = 1, kde = False, color = 'blue')
plt.title('호스트별 부동산 소유 수 분포')
plt.xlabel('부동산 소유 수')
plt.ylabel('분포')
plt.xticks(np.arange(0, 11, 1))

# 뉴욕 지역별 가장 비싼 렌트 가격

# 지역 유형별로 데이터를 그룹화하고 최대 임대 가격을 계산
maxRentalByRegion = airbnbData.loc[:, ['neighbourhood_group', 'price']].groupby('neighbourhood_group').max()

# 값을 정수로 변환 
maxRentalByRegion = maxRentalByRegion.astype(int)

# 인덱스를 재설정하여 'neighbourhood_group'을 다시 열 생성 
maxRentalByRegion.reset_index(inplace = True)

# 열 이름 변경
maxRentalByRegion.columns = ['Region', 'Maximum Rental']

# 지역별 최대 임대 가격에 대한 Seaborn 막대 그래프
plt.figure(figsize = (10, 6))
ax = sns.barplot(x = 'Region', y = 'Maximum Rental', data = maxRentalByRegion, palette = 'Blues_d')
plt.title('뉴욕 지역별 가장 비싼 렌트 가격')
plt.xlabel('지역')
plt.ylabel('최대 렌트 가격')

# 데이터 라벨 추가
for p in ax.patches:
    ax.annotate(f'{p.get_height()}', (p.get_x() + p.get_width() / 2., p.get_height()), ha = 'center', va = 'center', xytext = (0, 7), textcoords = 'offset points')
plt.show()

# 뉴욕시의 지역별 평균 임대 가격

# 지역 유형별로 데이터를 그룹화하고 평균 임대 가격 계산
averageRentalByRegion = airbnbData.loc[:, ['neighbourhood_group', 'price']].groupby('neighbourhood_group').mean()

# 값을 정수로 변환
averageRentalByRegion = averageRentalByRegion.astype(int)

# 인덱스를 재설정하여 'neighbourhood_group'을 다시 열로 변환 
averageRentalByRegion.reset_index(inplace = True)

# 이해를 돕기 위한 열 이름 변환
averageRentalByRegion.columns = ['Region', 'Average Rental']


# 지역별 평균 임대 가격에 대한 Seaborn 막대 그래프 그리기
plt.figure(figsize = (10, 6))
ax = sns.barplot(x = 'Region', y = 'Average Rental', data = averageRentalByRegion, palette = 'Blues_d')
plt.title('뉴욕시의 지역별 평균 임대 가격')
plt.xlabel('지역')
plt.ylabel('평균 임대 가격')

# 데이터 라벨 추가
for p in ax.patches:
    ax.annotate(f'{p.get_height()}', (p.get_x() + p.get_width() / 2., p.get_height()), ha = 'center', va = 'center', xytext = (0, 7), textcoords = 'offset points')
plt.show()

# 객실 유형별 평균 리뷰

# 객실 유형별로 데이터를 그룹화하고 평균 리뷰 수 계산
averageReviewsByType = airbnbData.loc[:, ['number_of_reviews', 'room_type']].groupby('room_type').mean()

# 값을 정수로 변환
averageReviewsByType = averageReviewsByType.astype(int)

# 'room_type'을 다시 열로 만들기 위해 인덱스 재설정
averageReviewsByType.reset_index(inplace = True)

# 이해를 돕기 위해 열 이름 변경
averageReviewsByType.columns = ['Room Type', 'Average Reviews']

# 데이터 라벨이 있는 객실 유형별 평균 리뷰에 대한 Seaborn 막대 그래프
plt.figure(figsize = (10, 6))
ax = sns.barplot(x = 'Room Type', y = 'Average Reviews', data = averageReviewsByType, palette = 'Blues_d')
plt.title('객실 유형 별 평균 리뷰')
plt.xlabel('객실 유형')
plt.ylabel('평균 리뷰')

# 데이터 라벨 추가
for p in ax.patches:
    ax.annotate(f'{p.get_height()}', (p.get_x() + p.get_width() / 2., p.get_height()), ha = 'center', va = 'center', xytext = (0, 10), textcoords = 'offset points')
plt.show()

# 지역별 소유자 수

# 열 선택 및 수학 연산자 실행
ownersByRegion = airbnbData.loc[:, ['host_id', 'neighbourhood_group']].groupby('neighbourhood_group').nunique()

# Plotly Express를 사용하여 막대 차트 만들기
fig = px.bar(ownersByRegion.reset_index(), x = 'neighbourhood_group', y = 'host_id',
             title = '지역별 고유 소유자 수',
             labels = {'host_id':'소유자 수', 'neighbourhood_group':'지역'},
             color_discrete_sequence = ['#1f77b4'],
             template = 'plotly_white')

# 데이터 라벨 추가
fig.update_traces(texttemplate = '%{y:.0f}', textposition = 'outside')

# Y축 제거
fig.update_yaxes(showticklabels = False)

# 그래프 출력
fig.show()

# 지역 및 객실 유형별로 데이터를 그룹화하고 최대 임대 가격 계산
maxValueRegionType = airbnbData.loc[:, ['neighbourhood_group', 'room_type', 'price']].groupby(['neighbourhood_group', 'room_type']).max().reset_index()

# 정수로 변환
maxValueRegionType['price'] = maxValueRegionType['price'].astype(int)

# 이해를 돕기 위해 열 이름 변경
maxValueRegionType.columns = ['Region', 'Type', 'Maximum Value']

import plotly.express as px

fig = px.bar(maxValueRegionType, x = 'Maximum Value', y = 'Region', color = 'Type', orientation = 'h',
             labels = {'Maximum Value':'최대 임대 가격', 'Region':'지역', 'Type':'객실 유형'},
             title = '뉴욕시 지역 및 객실 유형별 최대 임대 가격')

fig.update_traces(texttemplate = '%{x:.0f}', textposition = 'inside')
fig.show()