Airbnb数据建模 该存储库使用数据提供的开放数据对Airbnb数据执行数据库建模，可视化功能并分析数据。 listing.csv.gz-包含每月精简的详细列表数据。 它包含74个功能。 我们将执行 概念建模 逻辑建模，以及 物理建模

Airbnb学习教案.pptx

该数据集描述了2019年纽约州纽约市的上市活动和指标。 New_York_City_.png AB_NYC_2019.csv

爱彼迎 这是一个可视化项目，目的是通过从insideairbnb.com收集的数据来了解Airbnb对墨尔本社区的影响。 在R Shiny和R Plotly上演示了可视化。

波士顿 Airbnb 公开数据.zip

标题 执行摘要 Airbnb是一个成立于2008年的度假租赁平台。其业务模式是与陌生人建立信任关系，邀请宾客停留在其（房东）房源中。 它在220多个国家/地区拥有业务，拥有超过700万个上市商品。 每个列表的价格由房东确定。 该项目使用各种功能揭示了纽约Airbnb的价格预测模型。 该数据集是从Airbnb网站下载的，分析仅限于2020年1月3日的2019年列表数据库。在该数据集上几乎没有机器学习模型和情感分析。 总之，诸如房型，物业类型，负面评论，便利设施，区域，超级主人身份和即时预订等功能在影响挂牌价格方面发挥了作用。 1.简介 该分析旨在了解不同功能对价格的影响。 功能包括列表中可用的功能以及从评论中提取的功能。 基于回归的分析是首选并已实现。 分析分为两部分： 总体上市分析，有助于了解功能对纽约整个价格的总体影响。 皇后区邻域分析，其中包括评论情绪分类以及预测模型中的其他功能。

使用Python预测和可视化纽约市的Airbnb价格 我以劳拉·刘易斯（Laura Lewis）的项目为基准（ ）。 我项目的不同之处在于，重点放在纽约市的airbnb列表上。 我还使用NPL库进行了情绪分析，以查看每个列表的正面评价如何，以及引入外部数据来尝试增加我解释的方差得分。 我在COVID之前（2020年9月）获得了airbnb列表，因为事实证明COVID的价格异常高。 我的项目分为5个不同的笔记本： getZipcodes.ipynb，我尝试使用它们的经度和纬度坐标获取每个列表的邮政编码。 Data_Cleansing.ipynb，是我进行数据整理和清理以及获取每个列表的平均极性得分的地方 restaurnat_data_cleansing，在这里我获得一个数据集，该数据集的每个nyc邮政编码中都有餐馆数量，以后我将其用于合并 Visualization / Model

AirBnB价格预测 使用监督式机器学习模型预测AirBnb的价格

AirbnbScrape 抓取 Airbnb 的 Python 函数 这个项目的网站是： : 这是2014 年秋季学期课程项目的工作存储库。 目的：作为airbnb的大佬，我们想优化listing的价格，想了解以下几点： 相对于设施、评论、即时预订状态等维度，我周围的其他人如何定价？ 我可以了解一些关于查看其他在 aribnb 上“成功”的房产的信息——成功被定义为拥有许多评论并能够收取有竞争力的价格？ 通过研究我们周围类似房产的数据来优化我们房源的价格 从异常值中学习有趣的东西。 我们希望能够研究这些数据，将其可视化，看看我们是否可以收集到比 airbnb 上可用的更多见解。 ###目录####Scraping 抓取Airbnb.py ：这是用于抓取Airbnb.com 的代码，该代码非常模块化，可以重复用于抓取任何位置的Airbnb 数据。 ＃＃＃＃分析 Air