教你用Python+隨機森林模型預(yù)測機票價格
大家好，歡迎來到 Crossin的編程教室 ！
今天我們來分享一個機器學(xué)習(xí)方面的案例，通過已有數(shù)據(jù)進行預(yù)測。
印度的機票價格基于供需關(guān)系浮動，很少受到監(jiān)管機構(gòu)的限制。因此它通常被認為是不可預(yù)測的，而動態(tài)定價機制更增添了人們的困惑。
我們的目的是建立一個機器學(xué)習(xí)模型，根據(jù)歷史數(shù)據(jù)預(yù)測未來航班的價格，這些航班價格可以給客戶或航空公司服務(wù)提供商作為參考價格。
1.準備
開始之前，你要確保Python和pip已經(jīng)成功安裝在電腦上，并掌握基本的Python使用。如果沒有，可以通過我們的教程先進行學(xué)習(xí)：python666.cn
(可選1) 如果你用Python的目的是數(shù)據(jù)分析，可以直接安裝Anaconda，它內(nèi)置了Python和pip，以及數(shù)據(jù)分析所需的常用模塊。參考前文：我也曾經(jīng)因安裝庫而抓狂，直到我遇到了anaconda
請選擇以下任一種方式輸入命令安裝依賴（anaconda可跳過）：
1. Windows 環(huán)境 打開 Cmd (開始-運行-CMD)。
2. MacOS 環(huán)境 打開 Terminal (command+空格輸入Terminal)。
3. 如果你用的是 VSCode編輯器 或 Pycharm，可以直接使用界面下方的Terminal，或通過設(shè)置工具進行安裝。
pip install pandas
pip install numpy
pip install matplotlib
pip install seaborn
pip install scikit-learn2.導(dǎo)入相關(guān)數(shù)據(jù)集
本文的數(shù)據(jù)集是 Data_Train.xlsx，首先看看訓(xùn)練集的格式：
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
sns.set_style('whitegrid')
flights = pd.read_excel('./Data_Train.xlsx')
flights.head()
可見訓(xùn)練集中的字段有航空公司(Airline)、日期(Date_of_Journey)、始發(fā)站(Source)、終點站(Destination)、路線(Route)、起飛時間(Dep_Time)、抵達時間(Arrival_Time)、歷經(jīng)時長(Duration)、總計停留站點個數(shù)(Total_Stops)、額外信息(Additional_Info)，最后是機票價格(Price)。
與其相對的測試集，除了缺少價格字段之外，與訓(xùn)練集的其他所有字段均一致。
完整數(shù)據(jù)集和代碼見文末。
3.探索性數(shù)據(jù)分析
3.1 清理缺失數(shù)據(jù)
看看所有字段的基本信息：
flights.info()
其他的非零值數(shù)量均為10683，只有路線和?？空军c數(shù)是10682，說明這兩個字段缺少了一個值。
謹慎起見，我們刪掉缺少數(shù)據(jù)的行：
# clearing the missing data
flights.dropna(inplace=True)
flights.info()
現(xiàn)在非零值達到一致數(shù)量，數(shù)據(jù)清理完畢。
3.2 航班公司分布特征
接下來看看航空公司的分布特征：
sns.countplot('Airline', data=flights)
plt.xticks(rotation=90)
plt.show()
前三名的航空公司分別是 IndiGo, Air India, JetAirways.
其中可能存在廉價航空公司。
3.3 再來看看始發(fā)地的分布
sns.countplot('Source',data=flights)
plt.xticks(rotation=90)
plt.show()
某些地區(qū)可能是冷門地區(qū)，存在冷門機票的可能性比較大。
3.4 ?？空军c的數(shù)量分布
sns.countplot('Total_Stops',data=flights)
plt.xticks(rotation=90)
plt.show()
看來大部分航班在飛行途中只?？恳淮位驘o停靠。
會不會某些?？慷嗟暮桨啾容^便宜？
3.5 有多少數(shù)據(jù)含有額外信息
plot=plt.figure()
sns.countplot('Additional_Info',data=flights)
plt.xticks(rotation=90)
大部分航班信息中都沒有包含額外信息，除了部分航班信息有：不包含飛機餐、不包含免費托運。
這個信息挺重要的，是否不包含這兩項服務(wù)的飛機機票比較便宜？
3.6 時間維度分析
首先轉(zhuǎn)換時間格式：
flights['Date_of_Journey'] = pd.to_datetime(flights['Date_of_Journey'])
flights['Dep_Time'] = pd.to_datetime(flights['Dep_Time'],format='%H:%M:%S').dt.time
接下來，研究一下出發(fā)時間和價格的關(guān)系：
flights['weekday'] = flights[['Date_of_Journey']].apply(lambda x:x.dt.day_name())
sns.barplot('weekday','Price',data=flights)
plt.show()
大體上價格沒有差別，說明這個特征是無效的。
那么月份和機票價格的關(guān)系呢？
flights["month"] = flights['Date_of_Journey'].map(lambda x: x.month_name())
sns.barplot('month','Price',data=flights)
plt.show()
沒想到4月的機票價格均價只是其他月份的一半，看來4月份是印度的出行淡季吧。
起飛時間和價格的關(guān)系：
flights['Dep_Time'] = flights['Dep_Time'].apply(lambda x:x.hour)
flights['Dep_Time'] = pd.to_numeric(flights['Dep_Time'])
sns.barplot('Dep_Time','Price',data=flights)
plot.show()
可以看到，紅眼航班（半夜及早上）的機票比較便宜，這是符合我們的認知的。
3.7 清除無效特征
把那些和價格沒有關(guān)聯(lián)關(guān)系的字段直接去除掉：
flights.drop(['Route','Arrival_Time','Date_of_Journey'],axis=1,inplace=True)
flights.head()
4.模型訓(xùn)練
接下來，我們可以準備使用模型來預(yù)測機票價格了，不過，還需要對數(shù)據(jù)進行預(yù)處理和特征縮放。
4.1 數(shù)據(jù)預(yù)處理
將字符串變量使用數(shù)字替代：
from sklearn.preprocessing import LabelEncoder
var_mod = ['Airline','Source','Destination','Additional_Info','Total_Stops','weekday','month','Dep_Time']
le = LabelEncoder()
for i in var_mod:
flights[i] = le.fit_transform(flights[i])
flights.head()
對每列數(shù)據(jù)進行特征縮放，提取自變量（x）和因變量（y）：
flights.corr()
def outlier(df):
for i in df.describe().columns:
Q1=df.describe().at['25%',i]
Q3=df.describe().at['75%',i]
IQR= Q3-Q1
LE=Q1-1.5*IQR
UE=Q3+1.5*IQR
df[i]=df[i].mask(df[i]<LE,LE)
df[i]=df[i].mask(df[i]>UE,UE)
return df
flights = outlier(flights)
x = flights.drop('Price',axis=1)
y = flights['Price']劃分測試集和訓(xùn)練集：
from sklearn.model_selection import train_test_split
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2, random_state=101)
4.2 模型訓(xùn)練及測試
使用隨機森林進行模型訓(xùn)練：
from sklearn.ensemble import RandomForestRegressor
rfr=RandomForestRegressor(n_estimators=100)
rfr.fit(x_train,y_train)在隨機森林中，我們有一種根據(jù)數(shù)據(jù)的相關(guān)性來確定特征重要性的方法：
features=x.columns
importances = rfr.feature_importances_
indices = np.argsort(importances)
plt.figure(1)
plt.title('Feature Importances')
plt.barh(range(len(indices)), importances[indices], color='b', align='center')
plt.yticks(range(len(indices)), features[indices])
plt.xlabel('Relative Importance')
可以看到，Duration(飛行時長)是影響最大的因子。
對劃分的測試集進行預(yù)測，得到結(jié)果：
predictions=rfr.predict(x_test)
plt.scatter(y_test,predictions)
plt.show()
這樣看不是很直觀，接下來我們要數(shù)字化地評價這個模型。
4.3 模型評價
sklearn 提供了非常方便的函數(shù)來評價模型，那就是 metrics :
from sklearn import metrics
print('MAE:', metrics.mean_absolute_error(y_test, predictions))
print('MSE:', metrics.mean_squared_error(y_test, predictions))
print('RMSE:', np.sqrt(metrics.mean_squared_error(y_test, predictions)))
print('r2_score:', (metrics.r2_score(y_test, predictions)))結(jié)果：
MAE: 1453.9350628905618
MSE: 4506308.3645551
RMSE: 2122.806718605135
r2_score: 0.7532074710409375這4個值中你可以只關(guān)注R2_score，r2越接近1說明模型效果越好，這個模型的分數(shù)是0.75，算是很不錯的模型了。
看看其殘差直方圖是否符合正態(tài)分布：
sns.distplot((y_test-predictions),bins=50)
plt.show()
不錯，多數(shù)預(yù)測結(jié)果和真實值都在-1000到1000的范圍內(nèi)，算是可以接受的結(jié)果。其殘差直方圖也基本符合正態(tài)分布，說明模型是有效果的。
以上就是本次利用隨機森林模型預(yù)測機票價格的全部過程。
本文譯自kaggle社區(qū)，有較多的增刪:
https://www.kaggle.com/harikrishna9/how-to-predict-flight-ticket-price/notebook
獲取完整數(shù)據(jù)集和代碼，請在公眾號回復(fù)關(guān)鍵字：機票
如果文章對你有幫助，歡迎轉(zhuǎn)發(fā)/點贊/收藏~
作者：Ckend
_往期文章推薦_