酒店预订需求数据分析
2024-05-10 02:45:38
该数据集包含了两家酒店的预订信息，一家城市酒店及一家度假酒店，根据背景资料，两家酒店均位于葡萄牙。数据的时间跨度从2015年7月1日至2017年8月31日，数据中还包含了诸如预订的时间，停留时间，成人，儿童和/或婴儿的数量以及可用停车位的数量等信息。
数据来源：https://www.kaggle.com/jessemostipak/hotel-booking-demand
问题定义
- 基本情况分析
- 两种酒店的总预订需求及入住率
- 入住客户的国家分类统计
- 用户行为分析
- 提前预订时长
- 入住时间
- 入住时长
- 餐食预定情况
- 客户的预订渠道
- 销售经营分析
- 两酒店总销售额比较
- 两酒店全年月均销售额比较
- 两酒店全年人均每晚房价比较
- 预订取消的影响因素
- 各因素间的相关性分析
- 预付款方式对订单取消的影响
- 提前预订天数对订单取消的影响
- 之前取消订单次数对订单取消的影响
数据探索
- 缺失值检查
- 异常值检查
- 数据整理
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
plt.style.use('ggplot')
import seaborn as sns
#忽略警告
import warnings
warnings.filterwarnings('ignore')
#使中文字体正常显示
plt.rcParams['font.sans-serif']='SimHei'
#正常显示负数
plt.rcParams['axes.unicode_minus']=False
pd.set_option("display.max_columns", 36)
%matplotlib inlinedata=pd.read_csv('hotel_bookings.csv')
data.head()
| hotel | is_canceled | lead_time | arrival_date_year | arrival_date_month | arrival_date_week_number | arrival_date_day_of_month | stays_in_weekend_nights | stays_in_week_nights | adults | children | babies | meal | country | market_segment | distribution_channel | is_repeated_guest | previous_cancellations | previous_bookings_not_canceled | reserved_room_type | assigned_room_type | booking_changes | deposit_type | agent | company | days_in_waiting_list | customer_type | adr | required_car_parking_spaces | total_of_special_requests | reservation_status | reservation_status_date | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | Resort Hotel | 0 | 342 | 2015 | July | 27 | 1 | 0 | 0 | 2 | 0.0 | 0 | BB | PRT | Direct | Direct | 0 | 0 | 0 | C | C | 3 | No Deposit | NaN | NaN | 0 | Transient | 0.0 | 0 | 0 | Check-Out | 2015-07-01 |
| 1 | Resort Hotel | 0 | 737 | 2015 | July | 27 | 1 | 0 | 0 | 2 | 0.0 | 0 | BB | PRT | Direct | Direct | 0 | 0 | 0 | C | C | 4 | No Deposit | NaN | NaN | 0 | Transient | 0.0 | 0 | 0 | Check-Out | 2015-07-01 |
| 2 | Resort Hotel | 0 | 7 | 2015 | July | 27 | 1 | 0 | 1 | 1 | 0.0 | 0 | BB | GBR | Direct | Direct | 0 | 0 | 0 | A | C | 0 | No Deposit | NaN | NaN | 0 | Transient | 75.0 | 0 | 0 | Check-Out | 2015-07-02 |
| 3 | Resort Hotel | 0 | 13 | 2015 | July | 27 | 1 | 0 | 1 | 1 | 0.0 | 0 | BB | GBR | Corporate | Corporate | 0 | 0 | 0 | A | A | 0 | No Deposit | 304.0 | NaN | 0 | Transient | 75.0 | 0 | 0 | Check-Out | 2015-07-02 |
| 4 | Resort Hotel | 0 | 14 | 2015 | July | 27 | 1 | 0 | 2 | 2 | 0.0 | 0 | BB | GBR | Online TA | TA/TO | 0 | 0 | 0 | A | A | 0 | No Deposit | 240.0 | NaN | 0 | Transient | 98.0 | 0 | 1 | Check-Out | 2015-07-03 |
共计有32列字段
data.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 119390 entries, 0 to 119389
Data columns (total 32 columns):# Column Non-Null Count Dtype
--- ------ -------------- ----- 0 hotel 119390 non-null object 1 is_canceled 119390 non-null int64 2 lead_time 119390 non-null int64 3 arrival_date_year 119390 non-null int64 4 arrival_date_month 119390 non-null object 5 arrival_date_week_number 119390 non-null int64 6 arrival_date_day_of_month 119390 non-null int64 7 stays_in_weekend_nights 119390 non-null int64 8 stays_in_week_nights 119390 non-null int64 9 adults 119390 non-null int64 10 children 119386 non-null float6411 babies 119390 non-null int64 12 meal 119390 non-null object 13 country 118902 non-null object 14 market_segment 119390 non-null object 15 distribution_channel 119390 non-null object 16 is_repeated_guest 119390 non-null int64 17 previous_cancellations 119390 non-null int64 18 previous_bookings_not_canceled 119390 non-null int64 19 reserved_room_type 119390 non-null object 20 assigned_room_type 119390 non-null object 21 booking_changes 119390 non-null int64 22 deposit_type 119390 non-null object 23 agent 103050 non-null float6424 company 6797 non-null float6425 days_in_waiting_list 119390 non-null int64 26 customer_type 119390 non-null object 27 adr 119390 non-null float6428 required_car_parking_spaces 119390 non-null int64 29 total_of_special_requests 119390 non-null int64 30 reservation_status 119390 non-null object 31 reservation_status_date 119390 non-null object
dtypes: float64(4), int64(16), object(12)
memory usage: 29.1+ MB
data.isna().sum()
hotel 0
is_canceled 0
lead_time 0
arrival_date_year 0
arrival_date_month 0
arrival_date_week_number 0
arrival_date_day_of_month 0
stays_in_weekend_nights 0
stays_in_week_nights 0
adults 0
children 4
babies 0
meal 0
country 488
market_segment 0
distribution_channel 0
is_repeated_guest 0
previous_cancellations 0
previous_bookings_not_canceled 0
reserved_room_type 0
assigned_room_type 0
booking_changes 0
deposit_type 0
agent 16340
company 112593
days_in_waiting_list 0
customer_type 0
adr 0
required_car_parking_spaces 0
total_of_special_requests 0
reservation_status 0
reservation_status_date 0
dtype: int64
children、country、agent、company四个字段存在缺失值
处理思路：
children:为空值很可能意味着没有children，考虑用0来填充
country：选取用众数来填充
agent:缺失值猜测是因为非机构预订客户，为个人客户，用0填充
company:缺失值较多，且信息较杂，考虑删除该列
data['children']=data['children'].fillna(0)
data['agent']=data['agent'].fillna(0)
data.drop('company', axis=1, inplace=True)
data['country']=data['country'].fillna(data['country'].mode().index[0])
data.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 119390 entries, 0 to 119389
Data columns (total 31 columns):# Column Non-Null Count Dtype
--- ------ -------------- ----- 0 hotel 119390 non-null object 1 is_canceled 119390 non-null int64 2 lead_time 119390 non-null int64 3 arrival_date_year 119390 non-null int64 4 arrival_date_month 119390 non-null object 5 arrival_date_week_number 119390 non-null int64 6 arrival_date_day_of_month 119390 non-null int64 7 stays_in_weekend_nights 119390 non-null int64 8 stays_in_week_nights 119390 non-null int64 9 adults 119390 non-null int64 10 children 119390 non-null float6411 babies 119390 non-null int64 12 meal 119390 non-null object 13 country 119390 non-null object 14 market_segment 119390 non-null object 15 distribution_channel 119390 non-null object 16 is_repeated_guest 119390 non-null int64 17 previous_cancellations 119390 non-null int64 18 previous_bookings_not_canceled 119390 non-null int64 19 reserved_room_type 119390 non-null object 20 assigned_room_type 119390 non-null object 21 booking_changes 119390 non-null int64 22 deposit_type 119390 non-null object 23 agent 119390 non-null float6424 days_in_waiting_list 119390 non-null int64 25 customer_type 119390 non-null object 26 adr 119390 non-null float6427 required_car_parking_spaces 119390 non-null int64 28 total_of_special_requests 119390 non-null int64 29 reservation_status 119390 non-null object 30 reservation_status_date 119390 non-null object
dtypes: float64(3), int64(16), object(12)
memory usage: 28.2+ MB
异常值处理：
- 在数据解释中，meal字段下，“SC”和“Undefined”实际为同一类别
- 在后续处理中，发现存在adults+children+babies总人数为0的异常情况，将该种情况的数据删除
data['meal'].unique()
array(['BB', 'FB', 'HB', 'SC', 'Undefined'], dtype=object)
data['meal'].replace('Undefined','SC',inplace=True)zero_guest=data[data['adults']+data['children']+data['babies']==0].index
data.drop(zero_guest,inplace=True)
数据可视化
本报告中前部分分析采用的是未取消订单，即排除了被取消的预定需求
1、酒店基本情况分析
nocancel_data=data.loc[data['is_canceled']==0]
cancel_data=data.loc[data['is_canceled']==1]
nocancel_percent=list(nocancel_data['hotel'].value_counts()/data['hotel'].value_counts())
cancel_percent=list(cancel_data['hotel'].value_counts()/data['hotel'].value_counts())fig,axes=plt.subplots(1,2,figsize=(10,5))
ax1=sns.countplot(x='hotel',data=data,ax=axes[0])
ax2=plt.bar([1,2],cancel_percent,tick_label=["Resort Hotel","City Hotel"],color="#91B493",label="取消率")
ax2=plt.bar([1,2],nocancel_percent,bottom=cancel_percent,color="#F6C555",label="入住率")
ax1.set_title('总预定需求')
ax1.set_ylabel('总预定数量')
plt.title('酒店入住率及取消率')
plt.ylabel('占比')
plt.legend()
<matplotlib.legend.Legend at 0x219260d6dd8>
- 城市酒店的总体预定量远高于度假酒店，差不多是度假酒店的两倍
- 从取消订单数来看，城市酒店的预定需求取消率也低于度假酒店
这可能与两家酒店的地理位置及所承担的入住功能不同有关
plt.figure(figsize=(20,6))
sns.countplot(x='country',data=nocancel_data,order=nocancel_data['country'].value_counts().iloc[:10].index,palette='Greens_r')
plt.title('预定量前10名的国家',fontsize=20)
plt.xlabel('国家',fontsize=15)
plt.ylabel('预定量',fontsize=15)
Text(0, 0.5, '预定量')
nocancel_data['country'].value_counts().iloc[:10]/nocancel_data['country'].value_counts().sum()
PRT 0.279652
GBR 0.128888
FRA 0.112890
ESP 0.085094
DEU 0.080881
IRL 0.033888
ITA 0.032369
BEL 0.024903
NLD 0.022877
USA 0.021224
Name: country, dtype: float64
- 在所有未取消预订客户中，葡萄牙本国的预定量最多，达到总预定量的28%
- 其后依次是英国，法国、西班牙、德国，前5名均为欧洲国家
2、用户行为分析
ax=sns.FacetGrid(data,col='hotel',hue='is_canceled',height=5,xlim=(0,600))
ax.map(sns.kdeplot,'lead_time',shade = True)
ax.add_legend()
<seaborn.axisgrid.FacetGrid at 0x219270fc400>
两酒店关于提前预订时长以及最终订单是否被取消的关系中表现趋于一致
- 当提前预订时间较短时（<50天），客户更倾向于不取消订单
- 当提前预定时间大于某一值时（50—100)天，客户取消订单的概率更大
month_data=nocancel_data.pivot_table(index='arrival_date_month',columns='hotel',values='is_canceled',aggfunc='count')month_data.index=month_data.index.map({'January':1,'February':2,'March':3,'April':4,'May':5,'June':6,'July':7,'August':8,'September':9,'October':10,'November':11,'December':12})
month_data=month_data.sort_index()#因为要取两年中每月入住客户的平均值，两年中7月和8月共被记录了3次，其余月份被记录了2次
month_data.loc[(month_data.index==7)|(month_data.index==8)]/=3
month_data.loc[~((month_data.index==7)|(month_data.index==8))]/=2month_data.plot.area(stacked=False,alpha=0.3,colormap='RdYlGn_r',figsize=(10, 5),ylim=(600,2400))
plt.title('每月平均预订量', fontsize=14)
plt.xlabel('月份', fontsize=14)
plt.xticks([i for i in month_data.index])
plt.ylabel('预订数量', fontsize=14)
plt.show()
- 城市酒店全年有两个入住高峰期，5-6月以及9-10月，7月预定量出现明显下降，12-1月入住量全年最低
- 度假酒店各月份预定量均小于城市酒店，度假酒店10月及3-5月为全年入住高峰期，全年预定量波动幅度较小
#总居住天数=工作日居住天数+周末居住天数
nocancel_data['total_nights']=nocancel_data['stays_in_weekend_nights']+nocancel_data['stays_in_week_nights']nights_data=nocancel_data.groupby(['total_nights','hotel'],as_index=False).agg({'is_canceled':'count'})
#将数据拆成City Hotel和Resort Hotel
city_nights_data=nights_data.loc[nights_data['hotel']=='City Hotel']
Resort_nights_data=nights_data.loc[nights_data['hotel']=='Resort Hotel']
#因为两类酒店的总预订数不同，计算居住天数的占比数更方便进行比较
city_nights_data['number %']=city_nights_data['is_canceled']/city_nights_data['is_canceled'].sum()
Resort_nights_data['number %']=Resort_nights_data['is_canceled']/Resort_nights_data['is_canceled'].sum()nights_data = pd.concat([city_nights_data, Resort_nights_data], ignore_index=True)plt.figure(figsize=(14, 6))
sns.barplot(x = 'total_nights', y = 'number %', hue='hotel', data=nights_data,palette='hls')
plt.xlim(0,20)
plt.title('客户居住天数分布', fontsize=14)
plt.xlabel('共居住几晚', fontsize=14)
plt.ylabel('客户占比（%）', fontsize=14)
plt.show()
- 城市酒店绝大部分订单的居住天数在1-4天，居住超过7天的订单数量很少
- 度假酒店中有超过20%的客户居住天数在7天及以上，居住一天的客户占比最高超过20%
- 两者的差异猜测是因为度假酒店多数为度假客户，所以会有较多的居住超过7天的情况
meal_data=nocancel_data['meal'].value_counts()plt.figure(figsize=(14, 6))
plt.pie(meal_data,labels=meal_data.index,autopct="%.1f%%",textprops={'fontsize': 12})
plt.title('预订各类餐食占比',fontsize=16) #BB：仅早餐；HB：早餐+晚餐；FB：三餐；SC：无餐食预订
plt.legend()
<matplotlib.legend.Legend at 0x2192708b320>
plt.figure(figsize=(20,6))
sns.countplot(x='market_segment',data=nocancel_data,order=nocancel_data['market_segment'].value_counts().index,palette='RdYlBu_r')
plt.title('不同细分市场的预定量比较',fontsize=20)
plt.xlabel('细分市场',fontsize=14)
plt.ylabel('预定量',fontsize=14)
Text(0, 0.5, '预定量')
- 从图中可以看出，通过网上预订方式的客户量最大，其次是通过线下的旅行社来预定，通过航空公司渠道预订的客户量最低
3、销售经营分析
#Adr:每日平均住宿费，即所有住宿交易总额除以入住总天数
#每订单总房费=居住天数*每日平均住宿费（adr）
nocancel_data['total_price']=nocancel_data['total_nights']*nocancel_data['adr']
revenue_data=nocancel_data.groupby(['arrival_date_month','hotel'],as_index=False).agg({'total_price':'sum'})#将月份替换成数字，方便后面x轴的正常排序展示
revenue_data['arrival_date_month']=revenue_data['arrival_date_month'].map({'January':1,'February':2,'March':3,'April':4,'May':5,'June':6,'July':7,'August':8,'September':9,'October':10,'November':11,'December':12})
revenue_data=revenue_data.sort_values('arrival_date_month')
#计算两酒店每年的房费总营收，由于7、8月被计算了3次，其他月份分别被计算了2次，所以要按照统一标准处理
revenue_data.loc[(revenue_data["arrival_date_month"] == 7) | (revenue_data["arrival_date_month"] == 8),"total_price"] /= 30000
revenue_data.loc[~((revenue_data["arrival_date_month"] == 7) | (revenue_data["arrival_date_month"] == 8)),"total_price"] /= 20000plt.figure(figsize=(14, 6))
sns.barplot(data=revenue_data,x='arrival_date_month',y='total_price',hue='hotel',palette = 'ocean_r',alpha=0.5)
plt.title('年均房费营业额（万欧元）',fontsize=14)
plt.xlabel('月份', fontsize=14)
plt.ylabel('营业额（万欧元）',fontsize=14)
plt.legend()
plt.show()
total_revenue_data=nocancel_data.pivot_table(index='hotel',values='total_price',aggfunc='sum')plt.figure(figsize=(6,6))
plt.bar(data=total_revenue_data,x=total_revenue_data.index,height='total_price',color=['lightcoral','teal'])
plt.title('房费总营收额（欧元）',fontsize=14)
plt.ylabel('营业额（欧元）',fontsize=14)
plt.show()
- 在数据提供的统计时间段，两酒店的营业额差值约为200万欧元
- 城市酒店的全年房费营业额呈现双高峰，分别为4-6月以及8-10月
- 度假酒店的全年房费营业额7-8月最高，呈现明显的淡旺季
nocancel_data['adr_pp']=nocancel_data['adr']/(nocancel_data['adults']+nocancel_data['children'])
nocancel_data.groupby('hotel').agg({'adr_pp':'mean'})
| adr_pp | |
|---|---|
| hotel | |
| City Hotel | 59.272988 |
| Resort Hotel | 47.488866 |
- 城市酒店人均每晚59欧元，度假酒店人均每晚47欧元
adr_pp_data=nocancel_data[['hotel', 'arrival_date_month', 'adr_pp']]
adr_pp_data['arrival_date_month']=adr_pp_data['arrival_date_month'].map({'January':1,'February':2,'March':3,'April':4,'May':5,'June':6,'July':7,'August':8,'September':9,'October':10,'November':11,'December':12})
adr_pp_data=adr_pp_data.sort_values('arrival_date_month')
adr_pp_dataplt.figure(figsize=(12, 6))
sns.lineplot(x = 'arrival_date_month', y='adr_pp', hue='hotel', data=adr_pp_data, ci='sd')
plt.title('人均居住价格/晚（欧元）', fontsize=14)
plt.xlabel('月份', fontsize=14)
plt.ylabel('人均居住价格/晚（欧元）', fontsize=14)
plt.legend()
plt.show()
- 城市酒店全年人均每晚价格波动较小，基本与全年预定量情况变化趋势一致
- 度假酒店人均每晚价格随月份波动较大，其中8月价格最高
- 全年最佳预订酒店时间：城市酒店12-2月，度假酒店1-2月
4、预订取消的影响因素
#将分类数据进行标签化处理，方便进行后续的相关性计算
from sklearn.preprocessing import LabelEncoder
le = LabelEncoder()
data_copy=data.copy()
data_copy['agent']= data_copy['agent'].astype(int)
data_copy['country']= data_copy['country'].astype(str)data_copy['hotel'] = le.fit_transform(data_copy['hotel'])
data_copy['arrival_date_month'] = le.fit_transform(data_copy['arrival_date_month'])
data_copy['meal'] = le.fit_transform(data_copy['meal'])
data_copy['country'] = le.fit_transform(data_copy['country'])
data_copy['market_segment']= le.fit_transform(data_copy['market_segment'])
data_copy['distribution_channel']=le.fit_transform(data_copy['distribution_channel'])
data_copy['is_repeated_guest'] = le.fit_transform(data_copy['is_repeated_guest'])
data_copy['reserved_room_type'] = le.fit_transform(data_copy['reserved_room_type'])
data_copy['assigned_room_type'] = le.fit_transform(data_copy['assigned_room_type'])
data_copy['deposit_type'] = le.fit_transform(data_copy['deposit_type'])
data_copy['agent'] = le.fit_transform(data_copy['agent'])
data_copy['customer_type'] = le.fit_transform(data_copy['customer_type'])
data_copy['reservation_status'] = le.fit_transform(data_copy['reservation_status'])data_corr=data_copy.corr(method='spearman')plt.figure(figsize=(12, 12))
sns.heatmap(data_corr,cmap='BrBG', vmin=-1, vmax=1)
plt.title('相关性系数矩阵热力图',size=15, weight='bold')
plt.show()
np.abs(data_corr['is_canceled']).sort_values(ascending=False)
is_canceled 1.000000
reservation_status 0.942700
deposit_type 0.477106
lead_time 0.316448
previous_cancellations 0.270316
country 0.264871
total_of_special_requests 0.258743
required_car_parking_spaces 0.197604
assigned_room_type 0.188025
booking_changes 0.184299
distribution_channel 0.173747
hotel 0.137082
previous_bookings_not_canceled 0.115395
customer_type 0.099376
days_in_waiting_list 0.098417
is_repeated_guest 0.083745
reserved_room_type 0.068031
adults 0.065668
adr 0.049927
stays_in_week_nights 0.041431
babies 0.034390
market_segment 0.026340
agent 0.024745
arrival_date_year 0.018034
meal 0.013495
arrival_date_week_number 0.007748
arrival_date_day_of_month 0.005961
stays_in_weekend_nights 0.004087
children 0.003005
arrival_date_month 0.001175
Name: is_canceled, dtype: float64
- 通过分析不同要素间的相关性发现，与订单取消有一定相关性的前三个因素为预付款方式，提前下单时间以及客户之前订单的取消次数（reservation_status该字段本身就表示了该订单是否被取消，故排除该项）
deposit_data = data.groupby('deposit_type')['is_canceled'].describe()plt.figure(figsize=(8, 6))
sns.barplot(x=deposit_data.index, y=deposit_data['mean'] * 100)
plt.title('预付款方式对订单取消的影响', fontsize=14)
plt.xlabel('预付款方式', fontsize=14)
plt.ylabel('取消率（%）', fontsize=14)
plt.show()
No Deposit:无预付保证金
Non Refund:房价全额提前预付，取消不退款
Refundable:部分房价预付，取消可退款
- 从图中发现，全额预付房费且不能退款的客户几乎100%取消了房间预订，这种现象与正常逻辑存在较大偏差，猜测可能是数据本身存在问题或标签类别有误
lead_data = data.groupby('lead_time')['is_canceled'].describe().reset_index()
lead_data = lead_data.loc[lead_data["count"] >= 10]plt.figure(figsize=(8, 6))
sns.regplot(x=lead_data['lead_time'],y=lead_data['mean']*100, data=lead_data)
plt.title('提前预定天数对预约取消率的影响', fontsize=14)
plt.xlabel('提前预订天数', fontsize=14)
plt.ylabel('取消率（%）', fontsize=14)
plt.show()
- 从图中可知，提前预订天数越短，客户越趋向于不取消订单，而提前预订天数过大的情况下，取消率则很高，这与前面得出的结论一致
previous_cancellations_data=data.groupby('previous_cancellations')['is_canceled'].describe().reset_index()plt.figure(figsize=(8, 6))
sns.regplot(x='previous_cancellations',y=previous_cancellations_data['mean']*100, data=previous_cancellations_data)
plt.title('之前取消订单次数对预约取消率的影响', fontsize=14)
plt.xlabel('之前订单的取消次数', fontsize=14)
plt.ylabel('取消率（%）', fontsize=14)
plt.show()
- 从图中可知，数据主要集中在两个区域范围内，之前取消次数较少的客户他们的预订取消率要明显低于之前取消次数较多的客户
酒店预订需求数据分析相关推荐
- Hotel booking酒店预订——数据分析与建模
Hotel booking酒店预订--数据分析与建模:https://zhuanlan.zhihu.com/p/196757364?utm_source=wechat_session 写文章 Hote ...
- Hotel booking demand 酒店预订需求分析
数据集下载地址: https://www.kaggle.com/jessemostipak/hotel-booking-demand 数据集为葡萄牙的一家城市酒店和一家度假酒店酒店预订数据.数据的时间 ...
- 酒店预订、酒店检索、酒店详情、房间预订、订单管理、会员、优惠券、客房预订、高保真原型、酒店app、需求清单、组件规范、架构图、订单通知、服务通知、收藏、客服、搜索、导航、评价、支付、充值、登录、浏览
酒店预订.酒店检索.酒店详情.房间预订.订单管理.会员.优惠券.客房预订.高保真原型.酒店app.需求清单.组件规范.架构图.订单通知.服务通知.收藏.客服.搜索.导航.评价.支付.充值.登录.浏览 ...
- 数据分析：基于随机森林(RFC)对酒店预订分析预测
数据分析:基于随机森林(RFC)对酒店预订分析预测 文章目录 数据分析:基于随机森林(RFC)对酒店预订分析预测 1.前言 2.数据探索 3.数据可视化分析 3.1酒店预订量和取消量 3.2酒店各月份 ...
- 【计算机毕业设计】2.酒店预订管理系统
一.系统截图(需要演示视频可以私聊) 摘要 伴随着全球信息化发展,行行业业都与计算机技术相衔接,计算机技术普遍运用于酒店宾馆行业.实施计算机系统来管理可以降低酒店成本,使整个酒店的发展和服务水平有显 ...
- 抖音api开放平台对接_抖音新增酒店预订等功能，一只脚踏进美团、携程腹地
抖音虽拥有流量王牌,但一直苦于不能利用其带来最大化的商业变现.抖音也在不断地去尝试各种变现的可能性,本地生活就是其中的一个选项. 此前,抖音凭借重磅推出的"抖inCity城市美好生活节&qu ...
- 计算机毕业设计Android安卓旅游结伴景点评论-酒店预订系统app用户相约伴一起游玩
旅游业的蓬勃发展带动了全国经济的发展,旅游业属于服务行业,对于服务行业来说如何让客户体验感更好,对于旅游的全流程感受更加舒服,是此次研究的重点.此次从Android端的旅游管理系统设计开始,从旅游用户 ...
- 酒店预订分销系统和分销商
[Mcmore分销]指出,一个酒店应该如何做好通过预订分销系统进行跟分销商的高效对接呢?酒店预订分销系统遵循酒店管理理念.低成本高效益的管理方法,那么应该怎么处理好跟分销商的对接呢?简单来说,对接就是 ...
- 互联网酒店预订系统的服务端架构图-4
互联网酒店预订系统的服务端架构图 1.技术架构说明 2.访问层 3.接入层 4.服务层 5.数据层 说明:儒猿技术窝基于RocketMQ的互联网酒店预订系统项目实战学习笔记 1.技术架构说明 2.访问 ...
最新文章
- 零基础学习大数据开发需要多久能工作？
- 数据结构_串_mindmap+LeetCode_344.反转字符串（Java、C)
- pycharm调试如何返回上一步_如何在瑞芯微RK3399开发板上调用底层接口技术调试笔记...
- select ...as_一起使用.select .map和.reduce方法可充分利用Ruby
- python爬取b站评论_python高效之爬了B站再爬微博
- java随机打印一个数组元素_java 怎么随机打印自定义数组里面的字符串
- 美国爱荷华州批准参议院541号文件，允许使用分布式账本技术和智能合约
- Windows 7操作系统优化
- 用反射实现简单的框架
- 在.net 应用MD5加密
- 常见的SQL面试题：经典50例
- 锐捷交换机VRRP配置
- oracle中两个日期相减
- 点连线的思路与js的简单实现
- 我的世界基岩JAVA附魔_我的世界1.2.5版本,基岩版的可以100级附魔吗,就是
- 损失函数--持续更新
- 洛谷1262 间谍网络 tarjan缩点
- Spring核心思想，IoC与DI详解（如果还不明白，放弃java吧）
- nslookup命令反解ip_干货：DNS解析IP登录网站
- 应用Win7优化大师，备份与还原系统激活文件。